Choroba Alzheimera: badacze tworzą model do przewidywania spadku
Naukowcy z Massachusetts Institute of Technology opracowali model uczenia maszynowego, który może przewidywać tempo pogorszenia funkcji poznawczych związanych z chorobą Alzheimera na okres do 2 lat w przyszłości.
Choroba Alzheimera dotyka miliony ludzi na całym świecie, ale naukowcy wciąż nie wiedzą, co ją powoduje.
Z tego powodu strategie prewencyjne mogą być trafione i pominięte. Ponadto pracownicy służby zdrowia nie mają jasnego sposobu na określenie wskaźnika pogorszenia funkcji poznawczych u danej osoby po zdiagnozowaniu choroby Alzheimera przez lekarza.
Teraz naukowcy z Massachusetts Institute of Technology (MIT) w Cambridge - we współpracy ze specjalistami z innych instytucji - opracowali model uczenia maszynowego, który może pozwolić specjalistom przewidzieć, jak bardzo zmieni się funkcjonowanie poznawcze człowieka nawet z 2-letnim wyprzedzeniem. tego spadku.
Zespół - złożony z Ognjena Rudovica, Yurii Utsumi, Kelly Peterson, Ricardo Guerrero, Daniela Rueckerta i prof. Rosalind Picard - przedstawi swój projekt pod koniec tego tygodnia na konferencji Machine Learning for Healthcare. Tegoroczna konferencja odbędzie się w Ann Arbor, MI.
„Dokładne przewidywanie spadku funkcji poznawczych w okresie od 6 do 24 miesięcy ma kluczowe znaczenie przy projektowaniu badań klinicznych” - wyjaśnia Rudovic. Dodaje, że dzieje się tak, ponieważ „[b] umiejętność dokładnego przewidywania przyszłych zmian poznawczych może zmniejszyć liczbę wizyt uczestnika, co może być kosztowne i czasochłonne”.
„Oprócz pomocy w opracowaniu użytecznego leku” - kontynuuje naukowiec - „celem jest zmniejszenie kosztów badań klinicznych, aby uczynić je bardziej przystępnymi i przeprowadzanymi na większą skalę”.
Korzystanie z meta uczenia się do przewidywania spadku
Aby opracować nowy model, zespół wykorzystał dane z Alzheimer’s Disease Neuroimaging Initiative (ADNI), która jest największym zbiorem danych z badań klinicznych dotyczących choroby Alzheimera na świecie.
Dzięki ADNI naukowcom udało się uzyskać dostęp do danych około 1700 osób - niektórych z chorobą Alzheimera, a innych bez - zebranych w ciągu 10 lat.
Zespół miał dostęp do informacji klinicznych, w tym ocen funkcjonowania poznawczego uczestników, skanów mózgu, danych dotyczących składu DNA poszczególnych osób oraz pomiarów płynu mózgowo-rdzeniowego, które ujawniają biomarkery choroby Alzheimera.
W pierwszej kolejności naukowcy opracowali i przetestowali swój model uczenia maszynowego, wykorzystując dane z podgrupy 100 uczestników. Jednak brakowało wielu danych na temat tej kohorty. Dlatego badacze zdecydowali się zastosować inne podejście statystyczne, aby przeanalizować dostępne dane kohorty w sposób, który zwiększyłby dokładność analizy.
Mimo to nowy model nie osiągnął poziomu dokładności, jakiego oczekiwali jego twórcy. Aby uczynić go jeszcze dokładniejszym, naukowcy wykorzystali dane z innej podgrupy uczestników ADNI.
Tym razem jednak zespół zdecydował się nie stosować tego samego modelu dla wszystkich. Zamiast tego spersonalizowali model, aby pasował do każdego uczestnika, przyjmując nowe dane w miarę ich udostępniania po każdej nowej ocenie klinicznej.
Przy takim podejściu naukowcy odkryli, że model prowadzi do znacznie niższego wskaźnika błędów w prognozach. Co więcej, działał lepiej niż istniejące modele uczenia maszynowego stosowane do danych klinicznych.
Mimo to naukowcy poszli o krok dalej, aby upewnić się, że ich podejście pozostawiło miejsce na jak najmniejszą liczbę błędów. Następnie opracowali model „meta learningu”, który może wybrać najlepsze podejście do przewidywania wyników poznawczych u każdego uczestnika.
Ten model automatycznie dokonuje wyboru między całą populacją a podejściem spersonalizowanym, obliczając, które z nich najprawdopodobniej zapewni najlepszą prognozę dla danej osoby w określonym momencie.
Naukowcy odkryli, że takie podejście zmniejszyło poziom błędów prognoz nawet o dodatkowe 50%.
„Nie mogliśmy znaleźć ani jednego modelu ani ustalonej kombinacji modeli, która mogłaby dać nam najlepszą prognozę” - wyjaśnia Rudovic.
„Dlatego chcieliśmy się nauczyć, jak uczyć się za pomocą tego schematu meta learningu. To jest jak model nad modelem, który działa jak selektor, wyszkolony przy użyciu wiedzy meta, aby zdecydować, który model lepiej wdrożyć. ”
Ognjen Rudovic
Idąc dalej, zespół zamierza nawiązać współpracę z firmą farmaceutyczną w celu przetestowania tego modelu w trwającym obecnie badaniu choroby Alzheimera.
