Alzheimer-kór: A kutatók modellt hoznak létre a hanyatlás előrejelzésére
A Massachusettsi Műszaki Intézet kutatói kifejlesztettek egy gépi tanulási modellt, amely a jövőben akár 2 évre is megjósolhatja az Alzheimer-kórral kapcsolatos kognitív hanyatlás mértékét.
Az Alzheimer-kór világszerte több millió embert érint, a tudósok azonban még mindig nem tudják, mi okozza.
Emiatt a megelőzési stratégiák eltalálhatók. Ráadásul az egészségügyi szakembereknek nincs egyértelmű módja annak, hogy meghatározzák az ember kognitív hanyatlásának mértékét, miután az orvos Alzheimer-kórt diagnosztizált nekik.
Most a cambridge-i Massachusetts Institute of Technology (MIT) kutatói - más intézmények szakembereivel együttműködve - kifejlesztettek egy gépi tanulási modellt, amely lehetővé teheti a szakemberek számára, hogy előre jelezzék, mennyire változik meg egy személy kognitív működése akár 2 évre előre ennek a hanyatlásnak a megalapozódása.
Az Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert és Prof. Rosalind Picard alkotta csapat a hét végén bemutatja projektjét a Machine Learning for Healthcare konferencián. Az idei konferenciára Ann Arborban, MI-ben kerül sor.
"A kognitív hanyatlás pontos előrejelzése 6 hónapról 24 hónapra kritikus fontosságú a klinikai vizsgálatok megtervezéséhez" - magyarázza Rudovic. Ez azért hozzáteszi, mert „[ha] pontosan meg tudjuk jósolni a jövőbeli kognitív változásokat, csökkenthető a résztvevő által elvégzendő látogatások száma, ami drága és időigényes lehet.”
„A hasznos gyógyszer kifejlesztésén kívül - folytatja a kutató -„ a cél az, hogy segítsen csökkenteni a klinikai vizsgálatok költségeit, hogy megfizethetőbbé és nagyobb léptékben végezzék őket. ”
A meta-tanulás használata a hanyatlás előrejelzésére
Új modelljük kidolgozása érdekében a csapat az Alzheimer-kór Neuroimaging Initiative (ADNI) adatait használta fel, amely a világ legnagyobb Alzheimer-kór klinikai vizsgálati adatkészlete.
Az ADNI-n keresztül a kutatók hozzávetőlegesen 1700 emberhez férhettek hozzá - akik Alzheimer-kórban szenvedtek, mások pedig 10 év alatt gyűjtöttek.
A csapat hozzáférhetett a klinikai információkhoz, beleértve a résztvevők kognitív működésének értékelését, agyi vizsgálatokat, az egyének DNS-összetételére vonatkozó adatokat és a cerebrospinalis folyadék méréseit, amelyek felfedik az Alzheimer-kór biomarkereit.
Első lépésként a kutatók kifejlesztették és tesztelték gépi tanulási modelljüket egy 100 résztvevőből álló alcsoport adatainak felhasználásával. Azonban sok hiányzó adat volt erről a kohorszról. Tehát a nyomozók úgy döntöttek, hogy egy másik statisztikai megközelítést alkalmaznak a kohorsz rendelkezésre álló adatainak elemzésére oly módon, hogy az elemzés pontosabb legyen.
Ennek ellenére az új modell nem érte el azt a pontossági szintet, amelyre a fejlesztők számítottak. Annak érdekében, hogy még pontosabb legyen, a kutatók az ADNI résztvevőinek egy másik alcsoportjának adatait használták fel.
Ezúttal azonban a csapat úgy döntött, hogy nem alkalmazza ugyanazt a modellt mindenkire. Ehelyett személyre szabták a modellt, hogy minden résztvevőhöz illeszkedjen, új adatokat vettek fel, amint azok minden új klinikai értékelés után elérhetővé váltak.
Ezzel a megközelítéssel a kutatók megállapították, hogy a modell jóval alacsonyabb hibaarányhoz vezetett az előrejelzéseiben. Sőt, jobban teljesített, mint a klinikai adatokra alkalmazott meglévő gépi tanulási modellek.
Ennek ellenére a kutatók egy lépéssel tovább mentek, hogy megbizonyosodjanak arról, hogy megközelítésük a lehető legkevesebb hibára ad lehetőséget. Folytattak egy „meta-tanulási” modell kidolgozását, amely kiválasztja a legjobb megközelítést a kognitív eredmények előrejelzésére az egyes résztvevőkben.
Ez a modell automatikusan választ a teljes népesség és a személyre szabott megközelítés között, kiszámítva, hogy melyik nyújtja a legjobb előrejelzést az adott egyén számára egy adott időpontban.
A kutatók megállapították, hogy ez a megközelítés további 50% -kal csökkentette az előrejelzések hibaarányát.
"Nem találtunk egyetlen modellt vagy a modellek fix kombinációját, amely a legjobb előrejelzést adhatná" - magyarázza Rudovic.
„Tehát szerettük volna megtanulni, hogyan kell tanulni ezzel a meta-tanulási sémával. Olyan, mint egy modell a modell tetején, amely választóként működik, és a meta-ismeretek felhasználásával képzett arra, hogy eldöntse, melyik modellt érdemes jobban telepíteni. "
Ognjen Rudovic
A továbbiakban a csapat célja, hogy partnerséget alakítson ki egy gyógyszergyárral, hogy teszteljék ezt a modellt egy folyamatban lévő Alzheimer-kór kísérletben.
