Alzheimerjeva bolezen: Raziskovalci ustvarjajo model za napovedovanje upada
Raziskovalci s Tehnološkega inštituta v Massachusettsu so razvili model strojnega učenja, ki bi lahko napovedal stopnjo upadanja kognitivnih sposobnosti, povezanih z Alzheimerjevo boleznijo, do 2 leti v prihodnosti.
Alzheimerjeva bolezen prizadene milijone ljudi po vsem svetu, vendar znanstveniki še vedno ne vedo, kaj jo povzroča.
Zaradi tega lahko preventivne strategije zadevamo in zgrešimo. Poleg tega zdravstveni delavci nimajo jasnega načina določanja stopnje upada kognitivnih sposobnosti, ko jim zdravnik diagnosticira Alzheimerjevo bolezen.
Zdaj so raziskovalci z Massachusetts Institute of Technology (MIT) v Cambridgeu - v sodelovanju s strokovnjaki iz drugih institucij - razvili model strojnega učenja, ki bi lahko strokovnjakom omogočil, da predvidijo, koliko se bo kognitivno delovanje osebe spremenilo do 2 leti vnaprej tega upada uveljavili.
Ekipa, ki jo sestavljajo Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert in prof. Rosalind Picard, bo svoj projekt predstavila pozneje ta teden na konferenci Machine Learning for Healthcare. Letošnja konferenca bo v Ann Arbor, MI.
"Natančna napoved kognitivnega upada s 6 na 24 mesecev je ključnega pomena za načrtovanje kliničnih preskušanj," pojasnjuje Rudovič. Dodaja, da je to zato, ker "[s] sposobnostjo natančnega napovedovanja prihodnjih kognitivnih sprememb lahko zmanjša število obiskov, ki jih mora udeleženec opraviti, kar je lahko drago in dolgotrajno."
"Poleg tega, da pomaga razviti koristno zdravilo," nadaljuje raziskovalec, "cilj je pomagati zmanjšati stroške kliničnih preskušanj, da bi postali bolj dostopni in opravljeni v večjem obsegu."
Uporaba meta učenja za napovedovanje upada
Da bi razvili svoj novi model, je ekipa uporabila podatke iz pobude za neimaging Alzheimer's Disease Neuroimaging (ADNI), ki je največji nabor podatkov o kliničnem preskušanju Alzheimerjeve bolezni na svetu.
Preko ADNI so raziskovalci lahko dostopali do podatkov približno 1700 ljudi - nekateri z in brez Alzheimerjeve bolezni - zbrani v desetih letih.
Skupina je imela dostop do kliničnih informacij, vključno z ocenami kognitivnega delovanja udeležencev, preiskavami možganov, podatki o sestavi DNA posameznikov in meritvami cerebrospinalne tekočine, ki razkrivajo biomarkerje Alzheimerjeve bolezni.
Kot prvi korak so raziskovalci razvili in preizkusili svoj model strojnega učenja z uporabo podatkov iz podskupine 100 udeležencev. Vendar je o tej kohorti manjkalo veliko podatkov. Tako so se preiskovalci odločili, da bodo uporabili drugačen statistični pristop za analizo razpoložljivih podatkov kohorte na način, da bo analiza natančnejša.
Kljub temu novi model ni dosegel stopnje natančnosti, kot so jo pričakovali njegovi razvijalci. Da bi bili še bolj natančni, so raziskovalci uporabili podatke iz druge podskupine udeležencev ADNI.
Tokrat pa se je ekipa odločila, da ne bo uporabila istega modela za vse. Namesto tega so model prilagodili vsakemu udeležencu, pri čemer so vzeli nove podatke, ko so postali na voljo po vsaki novi klinični oceni.
S tem pristopom so raziskovalci ugotovili, da je model pri napovedih povzročil bistveno nižjo stopnjo napak. Poleg tega je bil boljši od obstoječih modelov strojnega učenja, ki se uporabljajo za klinične podatke.
Kljub temu so raziskovalci naredili še korak dlje, da bi zagotovili, da njihov pristop pušča prostor za čim manj napak. V nadaljevanju so oblikovali model "meta učenja", ki lahko izbere najboljši pristop za napovedovanje kognitivnih rezultatov pri vsakem udeležencu.
Ta model samodejno izbira med celotno populacijo in prilagojenim pristopom, pri čemer izračuna, kateri bo najverjetneje ponudil najboljšo napoved za posameznega posameznika v določenem trenutku.
Raziskovalci so ugotovili, da je ta pristop zmanjšal stopnjo napak pri napovedih za dodatnih 50%.
"Nismo mogli najti niti enega modela niti fiksne kombinacije modelov, ki bi nam lahko dali najboljše napovedi," pojasnjuje Rudovič.
»Tako smo se želeli naučiti, kako se učiti s to shemo meta-učenja. To je kot model na vrhu modela, ki deluje kot selektor, usposobljen z uporabo meta znanja, da se odloči, kateri model je bolje uporabiti. "
Ognjen Rudovic
V prihodnje želi ekipa vzpostaviti partnerstvo s farmacevtskim podjetjem, da bi preizkusila ta model v tekočem preskušanju Alzheimerjeve bolezni.
