Новая модель, разработанная в Массачусетском технологическом институте, может помочь предсказать, если пациенты в опасности для болезни Альцгеймера испытают клинически значимого когнитивного снижения в связи с заболеванием, путем прогнозирования их проверить познания баллы до двух лет в будущем.
Эта модель может быть использована для улучшения отбора кандидатов в препараты и группы участников для клинических испытаний, которые были заведомо неудачными до сих пор. Было бы также пусть пациенты знают, что они могут испытывать быстрого когнитивного снижения в ближайшие месяцы и годы, так они и их близкие могут подготовить.
Фармацевтические фирмы за последние два десятилетия инвестировали сотни миллиардов долларов в исследование болезни Альцгеймера. Пока поле преследовали неудачи: в период между 1998 и 2017 годов насчитывалось 146 безуспешные попытки разработать препараты для лечения или предотвращения заболевания, согласно отчету 2018 из фармацевтических исследований и производителей Америки. В то время были только четыре новых лекарств утвердили, и только для лечения симптомов. В настоящее время более 90 кандидатов наркотиков находятся в разработке.
Исследования показывают больших успехов в привлечении лекарства на рынок может свестись к набору кандидатов, которые находятся на ранних стадиях заболевания, прежде чем симптомы проявляются, когда лечение наиболее эффективно. В документе, который будет представлен на следующей неделе в машинном обучении для медицинской конференции, исследователи из лаборатории Массачусетского технологического института СМИ описывают машина-модель обучения, которая может помочь врачам сосредоточиться на том, что конкретной группы участников.
Сначала они обучили модель “население” на весь набор данных, которые включали клинически значимых когнитивных тестов и других биометрических данных у пациентов с болезнью Альцгеймера, а также здоровых людей, собираются два раза в год в перерывах между посещениями врача. Из данных, модель изучает шаблоны, которые могут помочь предсказать, как пациенты будут результат на когнитивных тестов, принятых между посещениями. В новых участников, вторая модель, индивидуально для каждого пациента, постоянно обновляет результат предсказания, основанные на недавно записанных данных, таких как информация, собранная в ходе последних визитов.
Эксперименты показывают, точные прогнозы можно делать, глядя вперед на шесть, 12, 18 и 24 месяца. Таким образом, врачи могут использовать модели выбора риска участников для клинических испытаний, которые демонстрируют быстрое снижение когнитивных, возможно, еще до появления других клинических симптомов. Лечение таких больных на ранней стадии, может помочь врачам лучше отслеживать, какие лекарства antidementia и не работают.
“Точный прогноз когнитивного снижения с шести до 24 месяцев имеет решающее значение при планировании клинических испытаний”, — говорит Огги Rudovic, исследователь медиа-лаборатории. “Будучи в состоянии точно предсказать будущие когнитивные изменения могут сократить количество посещений участник должен принять, что может быть дорого и отнимает много времени. Кроме того, что помогает выработать полезные лекарства, целью является, чтобы помочь снизить затраты на клинические испытания, чтобы сделать их более доступными и сделано в более широких масштабах”.
Присоединение Rudovic на бумаге: Юриа Уцуми, студентом, и Келли Петерсон, аспирант, оба в отделе электротехники и информатики; Рикардо Герреро и Даниэль Рюкерта, как Имперский колледж Лондона; и Розалинд Пикард, профессор медиа-искусств и наук и директор аффективных вычислительных исследований в Медиа-Лаборатории.
Населения для персонализации
Для своей работы исследователи заемных заболевания, данных клинического испытания крупнейшего в мире болезнь Альцгеймера, называемая инициатива по нейровизуализации болезни Альцгеймера (АДНИ). Набор данных содержит данные из примерно 1700 участников, с и без болезни Альцгеймера, записанные во время визитов полугодовой врача более 10 лет.
Данные включают в себя их масштаб-познание оценку объявление суб-шкалы (Адас-Cog13) баллы, наиболее широко используемых познавательных метрика для клинических испытаний препаратов от болезни Альцгеймера. Тест оценивает память, язык, и ориентация по шкале увеличения тяжести до 85 баллов. Набор данных также включает в себя МРТ, демографической и генетической информации и измерения спинномозговой жидкости.
В целом, исследователи обучили и проверили свои модели на подгруппы когорты из 100 участников, которые сделали более 10 визитов и было меньше, чем 85 процентов недостающих данных, каждый с более чем 600 вычислимых функций. Из тех участников, 48 из них были диагностированы с болезнью Альцгеймера. Но данные являются разреженными, с различными комбинациями возможностей хватает для большинства участников.
Для решения этой проблемы, ученые использовали данные для обучения модели населения работает на “непараметрические” вероятность рамок, называемых гауссовских процессов (ГСП), который имеет гибкие параметры для различных распределений вероятностей и обрабатывать неопределенности в данных. Эта технология измеряет сходство между переменными, такими как точки данных пациента, прогнозировать значение для невидимой точки данных, такие как познавательный результат. Выпуск также содержит оценку, так как доподлинно о предсказании. Модель работает надежно даже при анализе наборов данных с пропущенными значениями или много шума из разных сбора данных форматов.
Но, при оценке модели на новых пациентов от куда часть участников, исследователи обнаружили, предсказания модели не так точны, как они могли бы быть. Так, они персонифицированной модели численность населения для каждого нового пациента. Тогда система будет постепенно заполнять пробелы в данных, с каждым новым визитом пациента и обновить Адас-Cog13 прогноз на матч соответственно, путем постоянного обновления ранее неизвестных распределений по GPS. После четырех посещений, уникальных моделей существенно сократилось количество ошибок в прогнозах. Он также превысил различных традиционных подходов к машинному обучению, используемые для клинических данных.
Обучение тому, как учиться
Но исследователи нашли результаты персонифицированной модели остаются оптимальными. Чтобы это исправить, они придумали Роман “metalearning схема”, которая учится, чтобы автоматически выбрать тип модели, населения или индивидуальное, лучше всего работает для любого участника в любой момент времени, в зависимости от данных, подлежащих анализу. Metalearning уже использовались ранее для компьютерного зрения и задачи машинного перевода, чтобы освоить новые навыки и быстро адаптироваться к новой среде с помощью нескольких примеров. Но это первый раз, когда он был применен для отслеживания когнитивных нарушений пациентов с болезнью Альцгеймера, где ограниченные данные-это главная задача, Rudovic говорит.
Схема в основном имитирует как различные модели выступают на заданную задач, таких как прогнозирование Адас-Cog13 результат — и учится лучше подойдет. Во время каждого посещения нового пациента, схему назначает соответствующую модель, основываясь на предыдущих данных. С пациентами с шумной, разреженных данных во время ранних визитов, например, модели населения делать более точные прогнозы. Когда пациентов начинают больше данных или собрать больше за счет последующих посещениях, однако, персонализированные модели работают лучше.
Это позволило уменьшить количество ошибок за прогнозы еще на 50 процентов. “Мы не смогли найти ни одного типового или фиксированной комбинации моделей, которые могли бы дать нам лучшее предсказание,” Rudovic говорит. “Итак, мы хотели узнать, как научиться с этой схемой metalearning. Это похоже на модель поверх модели, которая выступает в качестве селектора, подготовленных с помощью метазнания, чтобы решить, какие модели лучше использовать”.
Далее исследователи надеются сотрудничать с фармацевтическими фирмами, чтобы реализовать модель в реальном мире клинические испытания Альцгеймера. Rudovic говорит, что модель также может быть обобщена для прогнозирования различных показателей для болезни Альцгеймера и других заболеваний.
