درآمدی بر روانپزشکی رایانشی – Computational Psychiatry
هدف این نوشتار معرفی یک چشم انداز (perspective) نوظهور و درحال تکامل در رویکرد به روانپزشکی است. مساله از اینجا آغاز می گردد که علیرغم پیشرفت های شگرف علوم اعصاب(neuroscience) در دهه های اخیر و ظهور فناوری های نوین که تصویربرداری عملکردی سیستم عصبی، نقشه برداری مغز و حتی دستکاری و مهندسی سیستم عصبی را ممکن ساخته است و نیز انفجار اطلاعات در سطوح مختلف ژنتیک، اپی ژنتیک، نوروشیمی و شناخت مدارها و شبکه های عصبی، همچنان یک شکاف(gap) واضح بین عرصه تحقیقات پایه و بالینی وجود دارد که منجر به عدم توسعه متناظر روانپزشکی به عنوان یکی از زیرحوزه های علوم اعصاب بالینی شده است. به عبارت دیگر، ترجمانی(translation) معنادار از این پیشرفت ها به روانپزشکی که منجر به تحول قابل توجه و بهبود معنادار فهم مکانیسم ها، تشخیص و درمان اختلالات روانی شود؛ صورت نپذیرفته است.
علل گوناگونی برای تبیین این شکاف ترجمانی ارائه شده که یکی از مهمترین آنها متوجه نظام طبقه بندی تشخیصیِ توصیفی ِمبتنی بر علائم بالینی و نه براساس پاتوفیزیولوژی و سبب شناسی اختلالات است. این در حالی است که تا قبل از DSM-III طبقه بندی بر اساس سبب شناسی(گرچه روان تحلیلی) صورت می گرفت. رویکرد توصیفی-طبقه ای(descriptive-categorical) که صرفاً بر اساس مجموعه ای از علائم، افراد را تحت یک عنوان تشخیصی و نه الزاماً یک بیماری دارای ماهیت مشخص(disease entity) قرار می دهد، از یکسو منجر شده تا بین طبقه های مختلف همپوشانی بسیاری وجود داشته باشد و با معضل همبودی (comorbidity) در بین طبقه های تشخیصی روبرو شویم. از سوی دیگر داخل هر طبقه تشخیصی نیز ناهمگونی(heterogeneity) بین بیماران از نظر پیش آگهی، پاسخ به درمان و سایر جنبه های کار بالینی وجود دارد که بی تردید درکنار پیچیدگی ارگان هدف یعنی مغز یکی از مهمترین عللی است که منجر به شکست خوردن تلاش ها برای یافتن بیوماکرهای به اندازه کافی حساس و اختصاصی برای اختلالات روانپزشکی گردیده است.
بنابراین به یک دستگاه نظری و متدولوژی به همراه ابزارها و تکنیک هایی نیاز است تا بتواند این big data(حجیم-داده ها) را برای ما ساده سازی و کاربردی کند و بین سطوح مختلف نوروبیولوژی از ژن تا رفتار و نیز برهم کنش آنها با محیط، ارتباطی معنادار و یکپارچه ایجاد نموده به نحوی که نهایتاً بتوان از آنها کاربرد بالینی در روانپزشکی را انتظار داشت.
روانپزشکی رایانشی که در واقع معادل استفاده از علوم اعصاب رایانشی در حل مسائل بالینی است، امیدهایی را در رویارویی با چالش های پیش گفته مطرح ساخته است. منظور از رایانش(computation) در علوم رایانه، فرآیندی کاملاً تعریف شده-الگوریتم-است که یک ورودی را به یک خروجی تبدیل می کند و هدف آن حل یک مساله است. لذا منظور از رایانش عصبی(neural computation) ابتدا دریافت محرک های حسی کدگذاری شده-به صورت فعالیت الکتروشیمیایی نورون ها- به عنوان ورودی و سپس پردازش اطلاعات(information processing) و ایجاد یک خروجی است که این خروجی سازنده رفتار ارگانیسم خواهد بود. با این رویکرد اختلال روانپزشکی، به عنوان اختلال عملکرد مدارهای عصبی(neural circuits) در رایانش و پردازش اطلاعات صورت بندی خواهد شد. در واقع با این رویکرد گامی در جهت تبیین دو پرسش اساسی در علوم اعصاب برداشته خواهد شد: یکی اینکه چگونه پاتولوژی در ژن/ملکول(مثل عصب رسانه و گیرنده) منجر به تغییر در رفتار ارگانیسم خواهد شد و از طرف دیگر چگونه ترومای بیرونی اجتماعی منجر به تغییر در مدارها و پردازش عصبی می گردد. بدین شکل در هر دوجهت، کانون ِتوجهِ بررسی های علمی، مدارهای عصبی هستند که خروجی نهایی یعنی علائم و نشانه ها را تعیین می کنند و همان جایی است که پاتولوژی های گوناگون در آن سطح تجمیع و همگرا می شوند. مزیت دیگر این رویکرد استفاده از زبان فرمال(formal) ریاضیات است که محققان را وادار می سازد تا فرضیه های مشخص، دقیق و ابطال پذیر تولید کنند. پرسش مطرح دیگر این است که برای درک سایکوپاتولوژی، چگونه باید طرز عملکرد مغز را دریافت؟ در اینجا علوم اعصاب رایانشی یک جواب متقاعدکننده دارد: مغز با اسنتتاج(inference) علت ها از ادراکات حسی اش(sensations) از خود و دنیا کار می کند. بنابراین سایکوپاتولوژی، همان استنتاج نادرست است. با این صورت بندی به عنوان مثال هذیان از استنتاج نادرست از عاملیت(agency)، توهم از استنتاج نادرست از داده های حسی، و دیس مورفوفوبیا از استنتاج نادرست درباره بدن نشات می گیرد. فلذا چالشی که با آن روبرو هستیم این است پاتوفیزیولوژی را از طریق فرآیندهای رایانشی زیربنای استنتاج درک کنیم.
در مجموع دو رویکرد که در عین حال مکمل یکدیگر نیز هستند در روانپزشکی رایانشی مطرح اند:
1-رویکردهای داده محور 2- رویکردهای نظریه محور
1- رویکردهای داده محور، عمدتاً مربوط به استفاده از روش های علوم رایانه در تحلیل حجیم-داده های(big data) بالینی، ژنتیک، اپی ژنتیک، نورشیمی، علوم شناختی، تصویربرداری و عوامل محیطی دخیل در ایجاد علائم روانی است. یادگیری ماشین(Machine Learning-ML) از زیر رشته های علوم رایانه است و به طور گسترده در رشته های مختلف علمی از اکتشاف چاه های نفت گرفته تا تحلیل بازارهای مالی کاربرد یافته و به خودی خود تحولی شگفت در ابزار تحلیل های علمی به شمار می رود. به طور خلاصه منظور از یادگیری ماشین(ML)، طراحی الگوریتم هایی است که رایانه بوسیله آن بتواند از یک مجموعه داده عظیم، با تعداد متغیر بسیار زیاد، ارتباطات موجود را استخراج نماید. یا بعبارت دیگر تابعِ بین یک مجموعه ورودی و یک مجموعی خروجی مرتبط با هم، را کشف کند(یاد بگیرد) و سپس وقتی ورودی جدیدی از همان جنس به آن داده شد، بتواند طبق مدلی که آموخته، خروجی اطلاعات جدید را پیش بینی کند. مطالعات متعددی در زمینه کاربرد ML در روانپزشکی انجام شده است. به عنوان نمونه در مطالعه ای که نتایج آن در سال 2016 در ژورنال Lancet Psychiatry توسط Chekroad و همکاران چاپ شد، روش های ML توانست پیامد درمان افسردگی را با موفقیت بیش تر از حد تصادف پیش بینی کند. در مطالعه ای دیگر که در سال 2017 در American Journal of Psychiatry توسط Barak-Corren وهمکاران به چاپ رسید، از سوابق الکترونیک سلامت به عنوان اطلاعات پایه برای ML در پیش بینی خطر خودکشی استفاده گردید، که در سرمقاله همان شماره از آن به عنوان یک تحول اساسی و جابجایی پارادایمی(paradigm shift) نامبرده شد.
2- فرق این رویکرد با رویکرد قبلی این است که رویکرد داده محور ضرورتاً کاری به مکانیسم زمینه ای ایجاد بیماری ندارد، در حالی که تلاش رویکرد نظریه محور تولید و استفاده از مدل های مکانیستیک بیماری و سلامت است که البته این امکان و پتانسیل را نیز دارد که سطوح مختلف تحلیل از ژن تا عصب رسانه تا رفتار را دربرگیرد. این رویکرد را می توان در 3 دسته زیر جای داد(البته محدود به این 3 دسته نیست):
a. مدل های واقع گرایانه بیوفیزیکال مبتنی بر شبکه های عصبی
b. مدل های الگوریتمیک یادگیری تقویتی(Reinforcement Learning)
c. مدل های بیزی(Bayesian)
یکی از روش های مربوط به مدل های بیزی، استنتاج مدل های محتمل مربوط به عملکرد مدارهای عصبی از داده های تصویربرداری در حین انجام یک تکلیف(Task) شناختی و سپس انتخاب مدل بهینه از میان آنها می باشد. برای روشن شدن بحث، یک مثال از مطالعه ای که روی بیماران اسکیزوفرنی انجام شد، ذکر می کنیم. در این مطالعه یک تکلیف مربوط به حافظه کاریِ(Working Memory-WM) بینایی به مبتلایان به اسکیزوفرنی داده شد. سپس بر اساس تحلیل داده های حاصل از fMRI در حین انجام تکلیف، با روش های استنتاج آماری، ارتباط موثر(effective connectivity) بین کورتکس های بینایی، پاریتال و پره فرونتال مورد بررسی قرار گرفت-به علت نقش مهم این کورتکس ها در WM که از پیش مفروض بود- سپس بر اساس آنالیز انجام شده مشخص شد افراد مبتلا از نظر الگوی ارتباط بین این کورتکس ها به 3 زیرگروه مجزا قابل تقسیم هستند. یافته بسیار جالب بعدی این بود که این 3 زیر گروه به طور کاملاً معناداری متناظر با درجات متفاوت از شدت علائم منفی اسکیزوفرنی بودند. نهایتاً یافته ها اینگونه تفسیر شدند که بین شدت علائم رفتاری(علائم منفی) با الگوهای متفاوت ارتباط بین کورتکس های بینایی، پاریتال و پره فرونتال ارتباط قوی وجود دارد که از طرفی فرضیه ای را برای آزمون در بستر مطالعات طولی در آینده فراهم می آورد و از طرف دیگر نمونه ای موفق از پتانسیل رویکردهای رایانشی را در فائق آمدن بر ناهمگونی اختلالات طیفی روانپزشکی مانند اسکیزوفرنی و تشریح آنها به زیرگروه های معنادار از نظر فیزیولوژیک نشان می دهد.
آنچه در این نوشتار ارائه گردید، با توجه به گستردگی مبحث، معرفی بسیار کوتاه و متخصر در حد فضای موجود بود، لذا برای مطالعه بیشتر منابع زیر برای علاقه مندان ارائه می گردد که از آنها در نگارش متن نیز استفاده شده است:
Redish, A.D. and Gordon, J.A., 2016. Computational psychiatry: New perspectives on mental illness. MIT Press.
Huys, Q.J., Maia, T.V. and Frank, M.J., 2016. Computational psychiatry as a bridge from neuroscience to clinical applications. Nature neuroscience, 19(3), p.404.
Marquand, A.F., Wolfers, T., Mennes, M., Buitelaar, J. and Beckmann, C.F., 2016. Beyond lumping and splitting: a review of computational approaches for stratifying psychiatric disorders. Biological psychiatry: cognitive neuroscience and neuroimaging, 1(5), pp.433-447.
Friston, K.J., Stephan, K.E., Montague, R. and Dolan, R.J., 2014. Computational psychiatry: the brain as a phantastic organ. The Lancet Psychiatry, 1(2), pp.148-158.
Wang, X.J. and Krystal, J.H., 2014. Computational psychiatry. Neuron, 84(3), pp.638-654.
Montague, P.R., Dolan, R.J., Friston, K.J. and Dayan, P., 2012. Computational psychiatry. Trends in cognitive sciences, 16(1), pp.72-80.