Болезнь Альцгеймера: исследователи создают модель для прогнозирования спада
Исследователи из Массачусетского технологического института разработали модель машинного обучения, которая может прогнозировать скорость когнитивного снижения, связанного с болезнью Альцгеймера, на срок до 2 лет в будущем.
Болезнь Альцгеймера поражает миллионы людей во всем мире, но ученые до сих пор не знают, что ее вызывает.
По этой причине стратегии профилактики могут быть неудачными. Более того, у медицинских работников нет четкого способа определить уровень когнитивного снижения человека после того, как врач поставил ему диагноз «болезнь Альцгеймера».
Теперь исследователи из Массачусетского технологического института (MIT) в Кембридже в сотрудничестве со специалистами из других институтов разработали модель машинного обучения, которая может позволить специалистам прогнозировать, насколько изменится когнитивное функционирование человека, на срок до 2 лет. этого снижения становится установленным.
Команда, состоящая из Огнена Рудовича, Юрии Утсуми, Келли Петерсон, Рикардо Герреро, Даниэля Рюкерта и профессора Розалинды Пикард, представит свой проект позже на этой неделе на конференции «Машинное обучение для здравоохранения». В этом году конференция состоится в Анн-Арборе, штат Мичиган.
«Точный прогноз снижения когнитивных функций в период от 6 до 24 месяцев имеет решающее значение для разработки клинических испытаний», - объясняет Рудович. Он добавляет, что это связано с тем, что «[б] возможность точно предсказать будущие когнитивные изменения может сократить количество посещений, которые должен совершить участник, что может быть дорогостоящим и отнимать много времени».
«Помимо помощи в разработке полезного лекарства, - продолжает исследователь, - цель состоит в том, чтобы помочь снизить затраты на клинические испытания, чтобы сделать их более доступными и проводимыми в более крупных масштабах».
Использование метаобучения для прогнозирования упадка
Для разработки своей новой модели команда использовала данные Инициативы по нейровизуализации болезни Альцгеймера (ADNI), которая является крупнейшим в мире набором данных клинических испытаний болезни Альцгеймера.
С помощью ADNI исследователи смогли получить доступ к данным примерно 1700 человек - некоторые с болезнью Альцгеймера, а некоторые без нее - собранные за 10 лет.
У команды был доступ к клинической информации, включая оценки когнитивных функций участников, сканирование мозга, данные о составе ДНК людей и измерения спинномозговой жидкости, которые выявляют биомаркеры болезни Альцгеймера.
В качестве первого шага исследователи разработали и протестировали свою модель машинного обучения, используя данные подгруппы из 100 участников. Однако было много недостающих данных об этой когорте. Поэтому исследователи решили использовать другой статистический подход для анализа имеющихся данных когорты таким образом, чтобы сделать анализ более точным.
Тем не менее, новая модель не достигла уровня точности, которого ожидали разработчики. Чтобы сделать его еще более точным, исследователи использовали данные другой подгруппы участников ADNI.
Однако на этот раз команда решила не применять одну и ту же модель ко всем. Вместо этого они персонализировали модель для каждого участника, принимая новые данные по мере их поступления после каждой новой клинической оценки.
При таком подходе исследователи обнаружили, что модель привела к значительно более низкому уровню ошибок в ее прогнозах. Более того, он работал лучше, чем существующие модели машинного обучения, применяемые к клиническим данным.
Тем не менее, исследователи пошли еще дальше, чтобы убедиться, что их подход допускает как можно меньше ошибок. Они продолжили разработку модели «метаобучения», которая может выбрать лучший подход для прогнозирования когнитивных результатов у каждого участника.
Эта модель автоматически выбирает между общей популяцией и персонализированным подходом, вычисляя, какой из них, скорее всего, предложит лучший прогноз для любого конкретного человека в определенный момент времени.
Исследователи обнаружили, что такой подход снижает количество ошибок в прогнозах еще на 50%.
«Мы не смогли найти ни одной модели или фиксированной комбинации моделей, которые могли бы дать нам лучший прогноз», - объясняет Рудович.
«Итак, мы хотели узнать, как учиться с помощью этой схемы метаобучения. Это похоже на модель поверх модели, которая действует как селектор, обученная с использованием мета-знаний, чтобы решить, какую модель лучше развернуть ».
Огнен Рудович
В дальнейшем команда намерена наладить партнерство с фармацевтической компанией, чтобы протестировать эту модель в продолжающемся исследовании болезни Альцгеймера.
