Alzheimerin tauti: Tutkijat luovat mallin laskun ennustamiseksi
Massachusettsin teknillisen instituutin tutkijat ovat kehittäneet koneoppimismallin, joka voisi ennustaa Alzheimeriin liittyvän kognitiivisen heikkenemisen jopa kahdeksi vuodeksi tulevaisuudessa.
Alzheimerin tauti vaikuttaa miljooniin ihmisiin maailmanlaajuisesti, mutta tutkijat eivät vieläkään tiedä, mikä aiheuttaa sen.
Tästä syystä ehkäisystrategiat voivat osua ja epäonnistua. Lisäksi terveydenhuollon ammattilaisilla ei ole selkeää tapaa määrittää henkilön kognitiivisen heikkenemisen nopeutta, kun lääkäri on diagnosoinut heille Alzheimerin taudin.
Cambridgen Massachusetts Institute of Technologyn (MIT) tutkijat ovat yhteistyössä muiden instituutioiden asiantuntijoiden kanssa kehittäneet koneoppimismallin, jonka avulla asiantuntijat voivat ennustaa kuinka paljon ihmisen kognitiivinen toiminta muuttuu jopa 2 vuotta etukäteen tämän laskun vakiintumisesta.
Ryhmä, johon kuuluvat Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert ja professori Rosalind Picard, esittelee projektinsa myöhemmin tällä viikolla Machine Learning for Healthcare -konferenssissa. Tämän vuoden konferenssi pidetään Ann Arborissa, MI.
"Kognitiivisen heikkenemisen tarkka ennustaminen 6 kuukaudesta 24 kuukauteen on kriittinen kliinisten tutkimusten suunnittelussa", Rudovic selittää. Tämän hän lisää, koska "[kyky ennustaa tarkasti tulevat kognitiiviset muutokset voi vähentää osallistujien käyntien määrää, mikä voi olla kallista ja aikaa vievää".
"Sen lisäksi, että autamme kehittämään hyödyllistä lääkettä", tutkija jatkaa, "tavoitteena on auttaa vähentämään kliinisten tutkimusten kustannuksia, jotta niistä tulisi edullisempia ja suuremmissa mittakaavassa."
Meta-oppimisen käyttö laskun ennustamiseen
Uuden mallinsa kehittämiseksi joukkue käytti tietoja Alzheimerin taudin neurokuvantamisaloitteesta (ADNI), joka on maailman suurin Alzheimerin taudin kliinisen tutkimuksen aineisto.
ADNI-tutkimuksen avulla tutkijat saivat käyttöönsä noin 1700 ihmisen - toiset Alzheimerin taudista kärsivät ja toiset ilman - 10 vuoden aikana kerätyt tiedot.
Ryhmällä oli pääsy kliinisiin tietoihin, mukaan lukien osallistujien kognitiivisen toiminnan arvioinnit, aivotutkimukset, yksilöiden DNA-meikkiä koskevat tiedot ja aivo-selkäydinnesteen mittaukset, jotka paljastavat Alzheimerin taudin biomarkkerit.
Ensimmäisessä vaiheessa tutkijat kehittivät ja testasivat koneoppimismallinsa käyttäen tietoja 100 osallistujan alaryhmästä. Tästä kohortista oli kuitenkin paljon puuttuvia tietoja. Joten tutkijat päättivät käyttää erilaista tilastollista lähestymistapaa kohortin käytettävissä olevien tietojen analysointiin tavalla, joka tekisi analyysistä tarkemman.
Silti uusi malli ei saavuttanut tarkkuustasoa, jota sen kehittäjät olivat odottaneet. Tehdäkseen siitä vielä tarkemman tutkijat käyttivät tietoja toisesta ADNI-osallistujien alaryhmästä.
Tällä kertaa joukkue kuitenkin päätti olla soveltamatta samaa mallia kaikille. Sen sijaan he räätälöivät mallin sopivaksi jokaiselle osallistujalle ottamalla käyttöön uusia tietoja, kun ne tulivat saataville jokaisen uuden kliinisen arvioinnin jälkeen.
Tämän lähestymistavan avulla tutkijat havaitsivat, että malli johti huomattavasti alhaisempaan virhetasoon ennusteissaan. Lisäksi se toimi paremmin kuin nykyiset koneoppimismallit, joita sovellettiin kliinisiin tietoihin.
Silti tutkijat menivät askeleen pidemmälle varmistaakseen, että heidän lähestymistavansa jättivät tilaa mahdollisimman pienelle virheelle. He jatkoivat suunnitella "meta-oppimismallin", joka voi valita parhaan lähestymistavan ennakoida kognitiivisia tuloksia jokaisessa osallistujassa.
Tämä malli valitsee automaattisesti koko väestön ja henkilökohtaisen lähestymistavan välillä ja laskee, mikä niistä todennäköisesti tarjoaa parhaan ennusteen kullekin yksilölle tietyllä ajankohdalla.
Tutkijat havaitsivat, että tämä lähestymistapa vähensi ennusteiden virhetasoa peräti 50%.
"Emme löytäneet yhtä mallia tai kiinteää mallien yhdistelmää, joka voisi antaa meille parhaan ennusteen", Rudovic selittää.
”Joten halusimme oppia oppimaan tällä meta-oppimisjärjestelmällä. Se on kuin malli mallin päällä, joka toimii valitsijana ja joka on koulutettu metatietojen avulla päättämään, mikä malli on parempi ottaa käyttöön. "
Ognjen Rudovic
Jatkossa tiimi pyrkii muodostamaan kumppanuuden lääkeyrityksen kanssa tämän mallin testaamiseksi käynnissä olevassa Alzheimerin taudin kokeessa.
