Исследователи из Массачусетского технологического института разработали модель машинного обучения, которая может прогнозировать снижение когнитивных способностей, связанных с болезнью Альцгеймера, на срок до 2 лет в будущем.

Болезнь Альцгеймера поражает миллионы людей во всем мире, однако ученые до сих пор не знают, что ее вызывает.

По этой причине превентивные стратегии можно ударить и пропустить. Кроме того, медицинские работники не имеют четкого способа определения степени снижения когнитивных функций человека после того, как врач поставил ему диагноз болезни Альцгеймера.

Теперь исследователи из Массачусетского технологического института (MIT) в Кембридже — в сотрудничестве со специалистами из других учреждений — разработали модель машинного обучения, которая могла бы позволить специалистам предсказать, насколько когнитивные функции человека изменятся за 2 года. этого снижения становится установленным.

Команда, состоящая из Огнена Рудовича, Юрии Уцуми, Келли Петерсон, Рикардо Герреро, Даниэля Рюккерта и профессора Розалинд Пикард, представит свой проект позднее на этой неделе на конференции «Машинное обучение для здравоохранения». В этом году конференция пройдет в Анн-Арборе, Мичиган.

«Точное прогнозирование когнитивного снижения от 6 до 24 месяцев имеет решающее значение для разработки клинических испытаний», объясняет Рудович. Это, добавляет он, объясняется тем, что «возможность точно предсказать будущие когнитивные изменения может уменьшить количество посещений, которые должен совершить участник, что может быть дорогостоящим и длительным».

«Помимо оказания помощи в разработке полезного препарата, — продолжает исследователь, — цель состоит в том, чтобы помочь сократить расходы на клинические испытания, чтобы сделать их более доступными и проводимыми в больших масштабах».

Использование мета-обучения для прогнозирования спада

Для разработки своей новой модели команда использовала данные из Инициативы нейроизображения болезни Альцгеймера (ADNI), которая является крупнейшим в мире набором данных клинических испытаний болезни Альцгеймера.

Через ADNI исследователи смогли получить доступ к данным примерно 1, 700 человек — некоторые с болезнью Альцгеймера, а некоторые без нее — собрались за 10 лет.

Команда имела доступ к клинической информации, включая оценки когнитивного функционирования участников, сканирование мозга, данные об индивидуальной структуре ДНК и измерениях спинномозговой жидкости, которые выявляют биомаркеры болезни Альцгеймера.

В качестве первого шага исследователи разработали и протестировали свои модель обучения с использованием данных из подгруппы из 100 участников. Тем не менее, было много недостающих данных об этой когорте. Таким образом, исследователи решили использовать другой статистический подход для анализа доступных данных группы таким образом, чтобы сделать анализ более точным.

Тем не менее, новая модель не достигла уровня точности, которого ожидали ее разработчики. Чтобы сделать его еще более точным, исследователи использовали данные из другой подгруппы участников ADNI.

Однако на этот раз команда решила не применять одну и ту же модель для всех. Вместо этого они персонализировали модель, чтобы соответствовать каждому участнику, принимая новые данные по мере их появления после каждой новой клинической оценки.

При таком подходе исследователи обнаружили, что модель привела к значительно более низкому уровню ошибок в своих 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 оставил место для как можно меньшего количества ошибок. Они разработали модель «метаобучения», которая может выбрать лучший подход для прогнозирования когнитивных результатов у каждого участника.

Эта модель автоматически выбирает между общим населением и персонализированным подходом, вычисление того, какой из них, скорее всего, предложит лучший прогноз для любого конкретного человека в конкретный момент времени.

Исследователи обнаружили, что этот подход снижает вероятность ошибок при прогнозировании на целых 50%.

«Мы не смогли найти единственную модель или фиксированную комбинацию моделей, которая могла бы дать нам лучший прогноз», — объясняет Рудович.

«Итак, мы хотели научиться учиться с помощью этой схемы мета-обучения. Это похоже на модель поверх модели, которая действует как селектор, обученная использованию мета-знаний, чтобы решить, какую модель лучше развернуть.»

— Огнен Рудович

В дальнейшем команда стремится создать партнерство с фармацевтической компанией, чтобы протестировать эту модель в продолжающемся испытании болезни Альцгеймера.

Источник: medicalnewstoday.com/articles/325955.php