ИИ научили оценивать риск депрессии

Китайская команда обучила модель глубокого обучения искать ранний нейронный сигнал будущих депрессивных симптомов. Главным маркером оказался не «снимок депрессии», а то, как мозг подростка различает эмоциональные выражения лиц.


Исследование называется Deep Learning Reveals a Neurocomputational Mechanism Predicting Depression Risk in Adolescents. Первый автор работы Хань Лу сейчас работает в Шэньчжэньском университете, а в проекте участвовали большие международные исследовательские группы IMAGEN и STRATIFY/ESTRA. Работа принята в Science Advances, однако её полная журнальная версия на момент последней открытой библиографической записи ещё не была опубликована.

Громкая формула о «чтении мозга» здесь скорее мешает понять результат. Модель не угадывает мысли подростка и не ставит диагноз по одному МРТ. Исследователи искали устойчивый вычислительный паттерн в том, как мозг реагирует на эмоциональные лица, а затем смотрели, связан ли этот паттерн с появлением симптомов спустя несколько лет.

В основе работы лежат многолетние данные подростков. Во время функциональной МРТ участникам показывали лица с разными выражениями — сердитыми, счастливыми и нейтральными. Такие эксперименты позволяют увидеть, насколько различаются нейронные ответы на эмоциональные сигналы. Исследовательская линия Хань Лу уже использовала подобный тест в большой европейской когорте IMAGEN, где подростков наблюдали от примерно 14 до 19 лет.

К данным сканирования добавлялись анкеты и биологические показатели, а нейросеть искала комбинации признаков, связанные с дальнейшей траекторией психического здоровья. Исходное описание как «клинического испытания» здесь неточно: речь идёт прежде всего о продольном наблюдении за подростками, а не об испытании лекарства или лечебной методики.

Самая любопытная часть результата связана с тем, что исследователи называют негативным эмоциональным смещением. У подростков, у которых позднее появлялось больше симптомов депрессии и тревоги, мозг хуже разделял разные эмоциональные выражения и сильнее смещал их обработку в негативную сторону. Условно говоря, неоднозначное лицо для такой системы чаще оказывалось ближе к сердитому, чем оно было на самом деле. В библиографической карточке новой работы именно negative emotion bias и symptom onset вынесены среди ключевых понятий исследования.

Для этой команды тема не возникла внезапно. В 2025 году Хань Лу и коллеги уже показали, что реакция орбитофронтальных и затылочных сетей на сердитые лица связана с устойчивостью подростков к будущим эмоциональным расстройствам. Тогда модель, построенная на данных примерно 14-летних участников, проверяли на их состоянии несколько лет спустя и дополнительно тестировали на независимой когорте ABCD.

Новая работа идёт дальше: глубокое обучение пытаются использовать не просто для поиска статистической связи, а для выделения самого вычислительного механизма, который предшествует развитию симптомов. Это важное отличие. Если удаётся понять, какое именно изменение обработки эмоций несёт риск, появляется возможность искать не только маркер, но и потенциальную мишень для раннего вмешательства.

Но превращать результат в прогноз судьбы нельзя. Даже успешная модель в исследовательской выборке не означает, что сегодня можно просканировать конкретного школьника и сообщить ему, что через четыре года у него разовьётся депрессия. Для клинического применения потребуются независимые проверки, понятные пороги риска и подтверждение того, что алгоритм сохраняет качество на людях другого происхождения, возраста и с иными жизненными обстоятельствами.

Практический смысл работы пока в другом. Если такой сигнал выдержит дальнейшую проверку, врачи смогут раньше замечать подростков, которым требуется более внимательное наблюдение, — ещё до того, как проблемы станут очевидными по поведению или обычным опросникам.


Исследователи пытаются поймать не саму депрессию, а момент, когда обработка эмоций начинает устойчиво уходить от обычной траектории. Для психиатрии это принципиальная перемена: вместо реакции на уже сформировавшиеся симптомы появляется шанс увидеть уязвимость значительно раньше — но только если лабораторный прогноз выдержит проверку реальной клиникой.

Фото: редакция ИЗНАНКИ.