مدل جدیدی که در MIT ایجاد شده است می تواند با پیش بینی نمرات آزمون شناختی خود تا آینده در آینده ، پیش بینی کند که آیا بیماران در معرض خطر بیماری آلزایمر کاهش شناختی بالینی را در اثر بیماری تجربه می کنند.
این مدل می تواند مورد استفاده قرار گیرد برای بهبود انتخاب داروهای نامزد و گروه های شرکت کننده برای کارآزمایی های بالینی ، که تاکنون به طور ناامیدی نا موفق بوده اند. همچنین به بیماران این امکان را می دهد که ممکن است در ماهها و سالهای آینده کاهش شناختی سریع را تجربه کنند ، بنابراین آنها و عزیزانشان می توانند آماده شوند.
شرکت های داروسازی طی دو دهه گذشته صدها میلیارد دلار در تحقیقات آلزایمر تزریق کرده اند. با این وجود این زمینه با شکست روبرو شده است: براساس گزارش سال 2018 از تحقیقات دارویی و تولید کنندگان آمریكا ، بین سالهای 1998 و 2017 ، 146 تلاش ناموفق برای تولید دارو برای معالجه یا پیشگیری از بیماری وجود داشته است. در آن زمان فقط چهار داروی جدید تصویب می شد و فقط برای درمان علائم استفاده می شد. در حال حاضر بیش از 90 نامزد مواد مخدر در حال توسعه هستند.
مطالعات نشان می دهد که موفقیت بیشتر در ورود دارو به بازار می تواند به استخدام داوطلبانی که در مراحل اولیه این بیماری هستند ، قبل از اینکه علائم مشهود باشد ، کاهش یابد ، این همان زمانی است که درمان مؤثر است. در مقاله ای که هفته آینده در کنفرانس Machine Learning for Health Health ارائه خواهد شد ، محققان آزمایشگاه MIT Media یک الگوی یادگیری ماشینی را توصیف می کنند که می تواند به پزشکان کمک کند تا در آن قشر خاص شرکت کنندگان به صفر برسند.
آنها ابتدا یک مدل "جمعیت" را در کل مجموعه داده ها قرار دادند که شامل نمرات آزمون شناختی بالینی قابل توجه و سایر داده های بیومتریک از بیماران آلزایمر و همچنین افراد سالم بود که بین ویزیت های پزشک دوسالانه جمع آوری شدند. از داده ها ، مدل الگوهایی را یاد می گیرد که می تواند به پیش بینی چگونگی امتیاز دهی بیماران در تست های شناختی که بین ویزیت ها انجام می شود کمک کند. در شرکت کنندگان جدید ، مدل دوم ، شخصی برای هر بیمار ، پیش بینی نمره را به طور مداوم بر اساس داده های تازه ضبط شده ، مانند اطلاعات جمع آوری شده در طی آخرین بازدیدها ، به روز می کند.
آزمایشات نشان می دهد که پیش بینی های دقیق می توان به دنبال شش ، 12 ، 18 و 24 ماه آینده انجام داد. بنابراین پزشکان می توانند از این مدل برای انتخاب مشارکت کنندگان در معرض خطر برای کارآزمایی بالینی ، که احتمالاً حتی قبل از ظهور سایر علائم بالینی ، نشان دهنده کاهش سریع شناختی است ، استفاده کنند. درمان زودهنگام چنین بیماران ممکن است به پزشکان کمک کند تا بهتر تشخیص دهند که داروهای ضددردی چه کاربردی دارند و کار نمی کنند.
بیشتر بخوانید: حلقه پمپ وکیوم خلاء حلقه مایع
اوگی رودوویچ ، محقق رسانه آزمایشگاه می گوید: "پیش بینی دقیق از کاهش شناختی از شش تا 24 ماه برای طراحی آزمایشات بالینی بسیار مهم است." وی ادامه داد: "توانایی پیش بینی دقیق تغییرات شناختی آینده می تواند تعداد بازدیدهایی را که شرکت کننده انجام می دهد ، کاهش دهد و این می تواند گران و پرهزینه باشد. گذشته از کمک به تولید یک داروی مفید ، هدف این است که به کاهش هزینه های آزمایشات بالینی کمک کنیم. آنها را مقرون به صرفه تر کرده و در مقیاس های بزرگتر انجام دهید. "
پیوستن به رودوویچ روی کاغذ عبارتند از: یوریا اوتسومی ، دانشجوی کارشناسی ارشد ، و کلی پترسون ، دانشجوی فارغ التحصیل ، هر دو در گروه مهندسی برق و علوم کامپیوتر. ریکاردو گورو و دانیل روکرت ، هر دو از امپریال کالج لندن. و Rosalind Picard ، استاد هنر و علوم رسانه ای و مدیر تحقیقات محاسبات عاطفی در آزمایشگاه رسانه.
جمعیت به شخصی سازی
محققان برای انجام کار خود بزرگترین مجموعه داده آزمایش کارآزمایی بالینی بیماری آلزایمر جهان را تحت عنوان ابتکار عمل Neuroimaging Alzheimer در جهان (ADNI) استفاده کردند. این مجموعه داده حاوی داده های مربوط به حدود 1700 شرکت کننده ، با و بدون آلزایمر ، در طول مراجعه به پزشک نیمساله بیش از 10 سال است که ثبت شده است.
داده ها شامل نمرات زیر مقیاس شناختی (ADAS-Assessment Scale) ، مقیاس شناختی زیر (مقیاس ADAS-Cog13) است ، که بیشترین معیار شناختی است که به طور گسترده مورد استفاده برای آزمایشات بالینی داروهای بیماری آلزایمر است. این آزمون حافظه ، زبان و جهت گیری را در مقیاس افزایش شدت تا 85 امتیاز ارزیابی می کند. مجموعه داده ها شامل اسکن های MRI ، اطلاعات جمعیتی و ژنتیکی و اندازه گیری مایعات مغزی نیز می باشد.
به طور کلی ، محققان مدل خود را بر روی زیر گروهی از 100 شرکت کننده ، که بیش از 10 بازدید داشته اند و کمتر از 85 درصد داده مفقودالاثر ، هر کدام با بیش از 600 ویژگی محاسبه شده ، آموزش داده و آزمایش کردند . از بین این شرکت کنندگان ، 48 نفر به بیماری آلزایمر مبتلا بودند. اما داده ها پراکنده هستند و ترکیب های مختلفی از ویژگی ها برای اکثر شرکت کنندگان وجود ندارد.
برای حل این مسئله ، محققان از این داده ها برای آموزش یک مدل جمعیتی استفاده شده از یک چارچوب احتمال "غیرپارامتری" به نام Gaussian Proces (GPs) استفاده کردند که دارای پارامترهای انعطاف پذیر برای تناسب توزیع های مختلف احتمال و پردازش عدم قطعیت در داده ها است. این تکنیک شباهت بین متغیرها ، مانند نقاط داده های بیمار را اندازه گیری می کند تا یک مقدار برای یک نقطه داده غایی مانند یک نمره شناختی پیش بینی کند. خروجی همچنین شامل تخمینی برای میزان اطمینان آن در مورد پیش بینی است. این مدل حتی در هنگام تجزیه و تحلیل داده های با مقادیر گمشده یا سر و صدای زیادی از قالب های مختلف جمع آوری داده به طور محکم کار می کند.
اما محققان در ارزیابی مدل از بیماران جدید از بخش معین شرکت کنندگان ، پیش بینی مدل را به اندازه دقیق ممکن نبودند. بنابراین ، آنها الگوی جمعیت را برای هر بیمار جدید شخصی کردند. سپس سیستم به تدریج شکاف های داده را با هر مراجعه بیمار جدید پر می کند و براساس آن پیش بینی نمره ADAS-Cog13 را با به روزرسانی مداوم توزیع های ناشناخته GP ها به روز می کند. پس از حدود چهار بازدید ، مدلهای شخصی سازی شده میزان خطا را در پیش بینی ها به میزان قابل توجهی کاهش می دهند. این روش همچنین از روشهای مختلف یادگیری ماشین سنتی که برای داده های بالینی استفاده می شود ، بهتر عمل کرد .
یادگیری نحوه یادگیری
اما محققان دریافتند که نتایج مدلهای شخصی هنوز غیرقابل حد است. برای برطرف کردن این مسئله ، آنها یک طرح جدید "metalearning" اختراع کردند که می آموزد به طور خودکار انتخاب کند که کدام نوع از مدل ، جمعیت یا شخصی سازی شده باشد ، بسته به داده های در حال تجزیه و تحلیل ، برای هر یک از شرکت کنندگان معین در هر زمان معین بهتر کار می کند. Metalearning قبلاً برای دیدن مهارت های رایانه ای و کارهای ترجمه ماشینی مورد استفاده قرار گرفته است تا مهارت های جدیدی یاد گرفته و یا با چند مثال آموزشی به سرعت با محیط های جدید سازگار شود. رودوویچ می گوید ، اما این اولین بار است که برای ردیابی کاهش شناختی از بیماران آلزایمر ، جایی که داده های محدود یک چالش اصلی است ، اعمال می شود.
این طرح در اصل چگونگی عملکرد مدل های مختلف را برای یک کار معین - مثل پیش بینی نمره ADAS-Cog13- شبیه سازی می کند و بهترین تناسب را می آموزد. در طول هر مراجعه بیمار جدید ، این طرح بر اساس داده های قبلی ، مدل مناسبی را اختصاص می دهد. به عنوان مثال ، در بیمارانی که داده های پر سروصدا و پر سر و صدایی در حین مراجعه اولیه ندارند ، پیش بینی های دقیق تری انجام می شود. هنگامی که بیماران با داده های بیشتری شروع می کنند یا تعداد بیشتری از طریق ویزیت های بعدی جمع آوری می کنند ، با این حال ، مدل های شخصی عملکرد بهتری دارند.
این امر به کاهش 50٪ خطای پیش بینی کمک می کند. رودوویچ می گوید: "ما نتوانستیم یک مدل واحد یا ترکیب ثابت مدل پیدا کنیم که بتواند بهترین پیش بینی را به ما بدهد." "بنابراین ، ما می خواستیم یاد بگیریم که چگونه با این طرح متالارنینگ یاد بگیریم. این مانند یک مدل در بالای یک مدل است که به عنوان یک انتخاب کننده عمل می کند ، و با استفاده از metaknowledge آموزش داده است تا تصمیم بگیرد که کدام مدل بهتر است استفاده کند."
در مرحله بعد ، محققان امیدوارند که برای پیاده سازی مدل آزمایشات بالینی آلزایمر در دنیای واقعی با شرکتهای داروسازی همکاری کنند. رودوویچ گفت: این مدل همچنین می تواند برای پیش بینی اندازه گیری های مختلف برای آلزایمر و سایر بیماری ها تعمیم یابد.
نظرات شما عزیزان:
