SEMI
活动+
 

阿兹海默症患者认知能力是否下降 机器学习模型可提早2年准确预测

美国麻省理工学院研究人员发展出一模型,能准确预测最多未来2年阿兹海默病患的认知测试分数和认知能力可能下降的情形。MIT

阿兹海默症(Alzheimer)患者在临床上常出现认知能力无预期的显著下降,因此美国麻省理工学院(MIT)研究人员发展出一模型,能准确预测最多未来2年病患认知测试分数和认知能力可能下降的情形。该模型也可用于改善病患候选药物的选择,研究显示,处于该疾病早期的病患是药物治疗最有效的时期。

根据MIT News报导,麻省理工研究人员在一场机器学习促进医疗(Machine Learning for Health Care)会议上发表了论文,叙述一种机器学习模型能协助临床医师对一群特定参与者进行病情预测。

包括临床上显著的认知测试分数以及从阿兹海默症患者而来的生物特征数据(biometric data)所组成的一个完整数据库上,以及医生每2年访问1次所收集到的健康个体,团队训练了1种「群体模型」(population model)。该模型可学习一些模式,可预测病患将如何在认知测试中得分。第二种模型是在新参与者加入后,对病患进行个人化(personalized)设置,例如根据最近的访问所获得的数据,持续地更新预测分数。

实验证明,精准预测的时间可提前至6、12、18和24个月,对于高风险或认知能力可能会快速下降的病患,在临床症状出现前,医师可及早预测,以及选择较有效的对抗药物及早治疗。主要研究人员Oggi Rudovic表示,准确预测认知能力下降趋势至为重要,这也可减少访问病患的次数,降低临床成本。

MIT研究团队将全球最大的阿兹海默病患临床试验数据库称为ADNI(Alzheimer's Disease Neuroimaging Initiative),数据包括1,700名参与者数据,也包括在超过10年医师每半年一次的访问中所纪录的是否患有阿兹海默症的情形。数据来源包含了认知量表ADAS-Cog13,此为阿兹海默症药物临床最常使用的认知指标。

研究人员挑选其中次群体100名参与者进行训练和测试模型,对他们进行访问,每个人都有超过600个可计算的特征。他们之中只有48名被诊断有阿兹海默症,为了克服数据较少的问题,团队使用一种「非参数」机率架构(称为GPs;Gaussian Processes)来训练模型。该架构具有灵活的参数来适应各种机率分布和数据的不确定性。该技术可测量变量之间的相似性例如病患的数据点(data point),以及预测未知数据点的数值例如认知的评分。

但MIT团队发现模型在面对新加入的参与者时,预测准确率会下降,于是在群体模型之外,发展出个人化模型,系统将逐步地填补新病患的数据缺口并更新ADAS-Cog13的分数,并且透过不断更新之前未知的GPs分布,来进一步更新ADAS-Cog13的评分预测。

而研究人员发现个人化模型仍不够理想,进一步又发展出「metalearning」方案,能自动地学习选择那些模型、群体或个人化的类型,根据分析数据来决定哪里些工作对特定参与者是最好的。Metalearning过去被用于计算机视觉或机器翻译的工作,Rudovic表示,首次用于追踪阿兹海默症的认知能力下降,主要为克服有限数据的问题。

该方案主要模拟了不同模型执行任务的情形,例如预测ADAS-Cog13评分,并学习最适合者。每有新病患加入,该方案会根据之前的数据来分派出适合的模型。Rudovic表示这可将预测的错误再降低50%。Metalearning就像模型的顶部,作为模型选择器,利用metaknowledge来训练出对最佳模型的选择。


  •     按赞加入DIGITIMES智能医疗粉丝团
更多关键字报导: 麻省理工学院 机器学习