Вы являетесь медицинским работником? Для полного доступа к медицинской информации войдите или зарегистрируйтесь.
МРТ и коннектомика при шизофрении
От исследований к клиническому применению
Речь о биомаркерах психических расстройств часто сводят к анализам крови. Однако при шизофрении информацию дают не только молекулы, но и сама нейронная сеть мозга. Увидеть ее и оценить позволяют магнитно‑резонансная томография (МРТ) и коннектомика, а современные алгоритмы дают шанс превратить изображения в клинический инструмент.
Вы узнаете:
- Нейровизуализация психических расстройств
- Коннектомика: «соединяем точки»
- «Сетевые модели мозга»: новый подход к пониманию нарушений нейронных связей
Нейровизуализация психических расстройств
Рабочая группа ENIGMA* по шизофрении опубликовала ряд крупных метаанализов, подтвердивших ключевые морфометрические отличия мозга при этом заболевании.
Масштаб выборки позволил обнаружить тонкие взаимодействия: например, увеличение объема полосатого тела ассоциировано с длительностью болезни и, вероятно, связано с многолетним приемом антипсихотиков, а уменьшение гиппокампа сильнее выражено у пациентов без лечения, что может отражать первичные нейродегенеративные процессы. Такие находки помогают отделить влияние заболевания от влияния терапии на мозг¹.
Методы МРТ и их клинические возможности при шизофрении
**— N-ацетиласпартат (NAA) — вещество, которое содержится почти исключительно в нейронах и считается маркером их жизнеспособности и функциональной целостности. Высокие уровни NAA обычно указывают на здоровые и активные нейроны. Снижение NAA означает гибель или дисфункцию нейронов, снижение плотности нейронов и метаболические нарушения в ткани. (Примеч. ред.)
Методы нейровизуализации интегрируют с машинным обучением и искусственным интеллектом (ИИ). Алгоритмы анализа изображений, включая нейронные сети, обучаются распознавать сложные паттерны МРТ, не заметные невооруженным глазом. Например, после обучения модель ИИ на основе снимков МРТ уже способна с высокой точностью отличить мозг человека с шизофренией⁶. Но модель обучается на конкретном объеме данных. В реальных же условиях сканы получают на разных томографах, у пациентов с различным стажем болезни и индивидуальной коморбидностью — все это может снизить надежность алгоритма.
Исследователи уделяют основное внимание поиску прогностических алгоритмов. Например, собираются мультимодальные данные (МРТ, когнитивные тесты, результаты генетических анализов), чтобы с помощью машинного обучения прогнозировать, у кого болезнь примет хроническое течение, а у кого — нет. Цель — разработать интегрированные биомаркеры, которые помогут врачу персонализировать лечение: усилить терапию тем, у кого высок риск ухудшения, или, напротив, избежать ненужного агрессивного лечения там, где прогноз благоприятный⁷.
Коннектомика: «соединяем точки»
Коннектомика — наука о карте нейронных связей мозга, одно из модных и перспективных направлений. Этот метод создает схему проводки или граф связности нервной системы.
Термин «коннектом» аналогичен геному: это полный набор связей в нервной системе организма. Коннектомику часто сравнивают с игрой «соедини точки»: когда мы последовательно соединяем множество отдельных точек (области мозга) линиями (пути связи), перед нами возникает целостная картинка сети. Другой образ — электрическая схема мозга, где узлы — это участки коры и подкорковые ядра, а провода — нервные пути, по которым идут сигналы.
Благодаря диффузионным МРТ-технологиям и вычислительной мощности графового анализа исследователи могут строить такие схемы для всего мозга человека на макроуровне. Каждая точка-узел на карте — это, к примеру, определенная зона коры, а линия между двумя узлами означает, что DTI выявила между ними пучок аксонов (структурный коннектом) или фМРТ зафиксировала синхронную активность (функциональный коннектом). Применение теории графов позволяет количественно описать такую сеть: вычислить ее архитектуру, разделить на модули, найти центральные узлы — хабы с наибольшим числом связей⁸.
Как изменяется мозговая сеть при шизофрении
Системная перестройка сети. У пациентов с шизофренией нарушается баланс локальных и глобальных связей в мозгу. Снижается эффективность взаимодействия между близкими участками при одновременном повышении глобальной связности — сеть становится менее специализированной и более «хаотичной» ⁹.
| Параметр | Норма | При шизофрении |
| Локальная связность | Высокая | Снижена |
| Глобальная связность | Сбалансирована | Повышена |
| Упорядоченность модулей | Четкая | Нарушена |
Перераспределение хабов. У здоровых людей ключевые хабы сети расположены в ассоциативных областях — например, префронтальная кора и височно-лимбические зоны выполняют роль центра координации. При шизофрении архитектура сети реорганизуется, и наиболее значимые узлы смещаются из лобных долей в другие регионы, что снижает эффективную координацию деятельности мозга 11.
Последствия: ослаблена регуляция мышления, эмоций и внимания – мозг теряет способность координировать когнитивную активность.
Гиперсвязность обходных путей. Мозг «обходит» нарушенные связи, формируя избыточные вторичные пути. Такие компенсаторные обходные цепи могут быть неэффективны или даже мешать нормальной работе мозга.
Коннектомика показывает болезнь не как дефект отдельного участка, а как сбой всей нейросети. Это помогает объединить разрозненные факты в единую модель. Например, многочисленные локальные находки (атрофия гиппокампа, дисфункция префронтальной коры, нарушение проводимости мозолистого тела и т.д.) укладываются в концепцию «дисконнект-синдрома» — проблемы передачи информации между узлами мозга¹⁰.
Для клиники коннектомный подход открывает возможность искать сетевые биомаркеры — сочетания аномалий связей, характерных для заболевания. Есть надежда, что в ближайшем будущем «карты мозга» войдут в арсенал персонализированной психиатрии.
«Сетевые модели мозга»: новый подход к пониманию нарушений нейронных связей
Brain Network Models (BNMs) — персонализированные модели активности мозга, построенные на данных коннектомики.
BNMs объединяют:
- структурную коннективность — по данным визуализации трактов белого вещества;
- функциональную активность — по данным фМРТ, МЭГ, ЭЭГ;
- модели нейронных масс — математические описания активности отдельных зон мозга.
Каждая зона мозга в модели — это узел, поведение которого описывается уравнениями нейронной активности. Узлы соединяются согласно данным DTI о белом веществе, а параметры модели калибруются по индивидуальным данным пациента. В результате создается «виртуальный мозг», способный не только отображать текущую функциональную архитектуру, но и предсказывать ее изменения при болезни или лечении.
Цикл работы BNMs
На основе исходных данных о структуре и функции мозга выполняется реконструкция индивидуального коннектома — карты связей между областями мозга. На ее основе создается математическая модель (BNM), которая симулирует нейронную активность и функциональные связи. Полученные результаты сравниваются с эмпирическими данными, и модель оптимизируется.
Подход помогает лучше понять патогенез заболеваний, в том числе шизофрении, и прогнозировать их клиническое течение, а также адаптировать лечение под конкретного пациента.
BNMs уже показали эффективность в исследованиях различных состояний:
- шизофрении (как модель нарушенной координации между ключевыми узлами сети);
- эпилепсии (прогнозирование эпилептогенных очагов);
- болезни Альцгеймера (симуляция процессов атрофии и нарушений связности);
- инсульта (оценка последствий инфаркта)¹¹.
Пока эти технологии далеки от рутинной клиники, но уже сейчас BNMs позволяют по-новому взглянуть на патофизиологию психических расстройств как на сбой в работе целой системы, а не отдельной области мозга.
Вам может быть интересно
Источники:
* — ENIGMA — Enhancing Neuroimaging Genetics through Meta-Analysis — международная коалиция, в рамках которой собраны МРТ-снимки десятков тысяч людей с различными расстройствами
- Van Erp T. G. M., Hibar D. P., Rasmussen J. M. и др. Subcortical brain volume abnormalities in 2028 individuals with schizophrenia and 2540 healthy controls via the ENIGMA consortium // Molecular Psychiatry. – 2016. – Т. 21, № 4. – С. 547–553. – DOI: 10.1038/mp.2015.63.
- Haijma S. V., van Haren N., Cahn W. и др. Brain volumes in schizophrenia: a meta-analysis in over 18 000 subjects // Schizophrenia Bulletin. – 2013. – Т. 39, № 5. – С. 1129–1138. – DOI: 10.1093/schbul/sbs118.
- Bullmore E., Sporns O. Complex brain networks: graph theoretical analysis of structural and functional systems // Nature Reviews Neuroscience. – 2009. – Т. 10. – С. 186–198. – DOI: 10.1038/nrn2575.
- Kelly S., Jahanshad N., Zalesky A. и др. Widespread white matter microstructural differences in schizophrenia across 4322 individuals: results from the ENIGMA Schizophrenia DTI Working Group // Molecular Psychiatry. – 2018. – Т. 23, № 5. – С. 1261–1269. – DOI: 10.1038/mp.2017.170.
- Liemburg E., Sibeijn-Kuiper A., Bais L. и др. Prefrontal NAA and Glx levels in different stages of psychotic disorders: a 3T ¹H-MRS study // Scientific Reports. – 2016. – Т. 6. – Ст. 21873. – DOI: 10.1038/srep21873.
- Zhang J., Rao V. M., Tian Y. и др. Detecting schizophrenia with 3D structural brain MRI using deep learning // Scientific Reports. – 2023. – Т. 13. – Ст. 14433. – DOI: 10.1038/s41598-023-41359-z.
- Anbarasi J., Kumari R., Ganesh M. и др. Translational connectomics: overview of machine learning in macroscale connectomics for clinical insights // BMC Neurology. – 2024. – Т. 24. – Ст. 364. – DOI: 10.1186/s12883-024-03864-0.
- Lynall M. E., Bassett D. S., Kerwin R. и др. Functional connectivity and brain networks in schizophrenia // Journal of Neuroscience. – 2010. – Т. 30, № 28. – С. 9477–9487. – DOI: 10.1523/JNEUROSCI.0333-10.2010.
- Stephan K. E., Friston K. J., Frith C. D. Dysconnection in schizophrenia: from abnormal synaptic plasticity to failures of self-monitoring // Schizophrenia Bulletin. – 2009. – Т. 35, № 3. – С. 509–527. – DOI: 10.1093/schbul/sbn176.
- Ye C., Liu M., Qin J. и др. Recent progress in brain network models for medical applications: a review // Health Data Science. – 2024. – Vol. 4. – Article No. 0157. – DOI: 10.34133/hds.0157. – URL: https://spj.science.org/doi/10.34133/hds.0157 (дата обращения: 27.07.2025).
- Zhou H.-Y., Shi L.-J., Shen Y.-M. и др. Altered topographical organization of grey matter structural network in early-onset schizophrenia // Psychiatry Research: Neuroimaging. – 2021. – Т. 316. – № статьи: 111344. – DOI: 10.1016/j.pscychresns.2021.111344. – ISSN 0925-4927.