Kvantitativní studie habenyly na základě vícekanálové kaskádové neuronové sítě a vytvoření predikčního modelu léčebného účinku u pacientů s depresí

Deprese je u nás druhou nejčastější příčinou nemocnosti. Má vážné účinky na fyzické a duševní zdraví lidí a asi 30 % pacientů s depresí nereaguje na léčbu antidepresivy nebo na ni špatně reagují. Klinická praxe je v těžké pozici, když chce objektivní měřítka pro hodnocení deprese. Žadatelka a její tým věnovali mnoho let základnímu a klinickému výzkumu habenulárního jádra (Hb) a nashromáždili značné množství zkušeností z experimentů na zvířatech a studií pacientů na magnetické rezonanci (MR). Tyto studie prokázaly, že habenulární jádro je klíčovou cílovou oblastí, která je zodpovědná za patofyziologické změny u deprese i za její léčbu. Malé objemy a neuspokojivý kontrast byly spletité problémy při MR zobrazení Hb. Navíc časově náročná manuální segmentace a nedostatek kvantitativních standardů v konvenčních studiích bránily pokroku ve výzkumu Hb. Naštěstí vývoj multiparametrického kvantitativního MR zobrazování s vysokým rozlišením a rozsáhlé využívání technologie umělé inteligence (AI) v lékařském zobrazování může poskytnout silnou podporu pro zobrazování, segmentaci a kvantifikaci Hb. Tento projekt navrhuje využít vysokorozlišovací MR anatomii Hb v kombinaci s multimodální fúzí k 1) konstrukci modelu pro automatickou 3D segmentaci Hb MR obrazů na základě hustě propojených vícekanálových dilatovaných konvolučních neuronových sítí; 2) prosít kvantitativní zobrazovací signatury související s účinností antidepresiv pomocí radiomikální metodologie a v kombinaci s klinickými informacemi vytvořit individualizovaný predikční model pro účinnost léčby.

Celkově se tato studie zaměřuje na převedení základního výzkumu do klinické aplikace v naději, že poskytne kvantifikovatelné objektivní zobrazovací markery v klinické praxi, usnadní klinické rozhodování a přinese individualizovanou přesnou diagnózu a léčbu.