Alzheimer: Araştırmacılar düşüşü tahmin etmek için model oluşturuyor
Massachusetts Institute of Technology'den araştırmacılar, gelecekte 2 yıla kadar Alzheimer'ın ilişkili bilişsel gerileme oranını tahmin edebilecek bir makine öğrenimi modeli geliştirdiler.
Alzheimer hastalığı dünya çapında milyonlarca insanı etkiliyor, ancak bilim adamları hala buna neyin sebep olduğunu bilmiyorlar.
Bu nedenle, önleme stratejileri vurulabilir ve gözden kaçabilir. Dahası, sağlık uzmanlarının, bir doktor kendisine Alzheimer teşhisi koyduktan sonra kişinin bilişsel gerileme oranını belirlemenin net bir yolu yoktur.
Şimdi, Cambridge'deki Massachusetts Teknoloji Enstitüsü'nden (MIT) araştırmacılar - diğer kurumlardan uzmanlarla işbirliği içinde - uzmanların bir kişinin bilişsel işlevinin 2 yıl öncesine kadar ne kadar değişeceğini tahmin etmesine olanak tanıyan bir makine öğrenimi modeli geliştirdiler. bu düşüşün gerçekleşme noktası.
Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert ve Prof. Rosalind Picard'dan oluşan ekip, projelerini bu hafta ilerleyen saatlerde Sağlık Hizmetleri için Makine Öğrenimi konferansında sunacak. Bu yılki konferans MI, Ann Arbor'da yapılacak.
Rudovic, "Bilişsel gerilemenin 6 aydan 24 aya kadar doğru tahmin edilmesi, klinik deneylerin tasarlanması için kritik öneme sahiptir," diye açıklıyor. Bunun nedeni, "[b] gelecekteki bilişsel değişiklikleri doğru bir şekilde tahmin edebilmek, katılımcının yapması gereken ziyaretlerin sayısını azaltabilir, bu da pahalı ve zaman alıcı olabilir" diye ekliyor.
Araştırmacı, "Faydalı bir ilacın geliştirilmesine yardımcı olmanın yanı sıra," diye devam ediyor, "amaç, klinik deneylerin maliyetlerini düşürmeye yardımcı olmak ve onları daha uygun fiyatlı ve daha büyük ölçeklerde yapmaktır.
Düşüşü tahmin etmek için meta öğrenmeyi kullanma
Ekip, yeni modelini geliştirmek için dünyadaki en büyük Alzheimer hastalığı klinik deneme veri seti olan Alzheimer Hastalığı Nörogörüntüleme Girişimi'nden (ADNI) alınan verileri kullandı.
Araştırmacılar, ADNI aracılığıyla, bazıları Alzheimer hastalığı olan ve olmayan yaklaşık 1.700 kişinin 10 yıl boyunca toplanan verilerine erişebildiler.
Ekip, katılımcıların bilişsel işlev değerlendirmeleri, beyin taramaları, bireylerin DNA yapısına ilişkin veriler ve Alzheimer hastalığının biyobelirteçlerini ortaya çıkaran beyin omurilik sıvısı ölçümleri dahil olmak üzere klinik bilgilere erişebildi.
İlk adım olarak, araştırmacılar makine öğrenimi modellerini 100 katılımcıdan oluşan bir alt gruptan alınan verileri kullanarak geliştirdiler ve test ettiler. Ancak, bu kohort hakkında birçok eksik veri vardı. Bu nedenle, araştırmacılar, kohortun mevcut verilerini analizi daha doğru hale getirecek şekilde analiz etmek için farklı bir istatistik yaklaşımı kullanmaya karar verdiler.
Yine de yeni model, geliştiricilerinin beklediği doğruluk seviyesine ulaşmadı. Daha da doğru hale getirmek için, araştırmacılar başka bir ADNI katılımcı alt grubundan gelen verileri kullandılar.
Ancak bu sefer ekip aynı modeli herkese uygulamaktan vazgeçti. Bunun yerine, modeli her bir katılımcıya uyacak şekilde kişiselleştirdiler ve her yeni klinik değerlendirmeden sonra kullanıma sunulan yeni verileri aldılar.
Bu yaklaşımla araştırmacılar, modelin tahminlerinde önemli ölçüde daha düşük hata oranına yol açtığını buldular. Dahası, klinik verilere uygulanan mevcut makine öğrenimi modellerinden daha iyi performans gösterdi.
Yine de, araştırmacılar, yaklaşımlarının mümkün olduğunca az hata için yer bıraktığından emin olmak için bir adım daha ileri gittiler. Her katılımcıda bilişsel sonuçları tahmin etmek için en iyi yaklaşımı seçebilecek bir "meta öğrenme" modeli geliştirmeye devam ettiler.
Bu model otomatik olarak genel popülasyon ile kişiselleştirilmiş yaklaşım arasında seçim yaparak belirli bir zamanda belirli bir noktada belirli bir birey için hangisinin en iyi tahmini sunacağını hesaplar.
Araştırmacılar, bu yaklaşımın tahminler için hata oranını% 50'ye kadar düşürdüğünü buldular.
Rudovic, "Bize en iyi tahmini verebilecek tek bir model veya sabit model kombinasyonu bulamadık," diye açıklıyor Rudovic.
Bu nedenle, bu meta öğrenme şemasıyla nasıl öğrenileceğini öğrenmek istedik. Seçici olarak görev yapan, hangi modelin uygulanmasının daha iyi olduğuna karar vermek için meta bilgi kullanılarak eğitilen bir modelin üstünde bir model gibidir. "
Ognjen Rudovic
Ekip, ileride bir ilaç şirketi ile bu modeli devam eden bir Alzheimer hastalığı denemesinde test etmek için bir ortaklık kurmayı hedefliyor.
