Alzheimer: Các nhà nghiên cứu tạo ra mô hình để dự đoán sự suy giảm
Các nhà nghiên cứu từ Viện Công nghệ Massachusetts đã phát triển một mô hình học máy có thể dự đoán tỷ lệ suy giảm nhận thức liên quan đến bệnh Alzheimer lên đến 2 năm trong tương lai.
Bệnh Alzheimer ảnh hưởng đến hàng triệu người trên toàn thế giới, tuy nhiên các nhà khoa học vẫn chưa biết nguyên nhân gây ra bệnh.
Vì lý do này, các chiến lược phòng ngừa có thể bị đánh trúng và bỏ sót. Hơn nữa, các chuyên gia chăm sóc sức khỏe không có cách nào rõ ràng để xác định tỷ lệ suy giảm nhận thức của một người sau khi bác sĩ chẩn đoán họ mắc bệnh Alzheimer.
Giờ đây, các nhà nghiên cứu từ Viện Công nghệ Massachusetts (MIT) ở Cambridge - phối hợp với các chuyên gia từ các tổ chức khác - đã phát triển một mô hình học máy có thể cho phép các chuyên gia dự đoán mức độ hoạt động nhận thức của một người sẽ thay đổi trước 2 năm. của sự suy giảm này đang được thiết lập.
Nhóm nghiên cứu - bao gồm Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert và GS Rosalind Picard - sẽ trình bày dự án của họ vào cuối tuần này tại hội nghị Machine Learning for Healthcare. Hội nghị năm nay sẽ diễn ra tại Ann Arbor, MI.
“Dự đoán chính xác về sự suy giảm nhận thức từ 6 đến 24 tháng là rất quan trọng để thiết kế các thử nghiệm lâm sàng,” Rudovic giải thích. Ông cho biết thêm, điều này là do “[b] eing có thể dự đoán chính xác những thay đổi về nhận thức trong tương lai có thể làm giảm số lần truy cập mà người tham gia phải thực hiện, điều này có thể tốn kém và mất thời gian.”
"Ngoài việc giúp phát triển một loại thuốc hữu ích," nhà nghiên cứu tiếp tục, "mục tiêu là giúp giảm chi phí của các thử nghiệm lâm sàng để làm cho chúng có giá cả phải chăng hơn và được thực hiện trên quy mô lớn hơn."
Sử dụng meta learning để dự đoán sự suy giảm
Để phát triển mô hình mới của mình, nhóm đã sử dụng dữ liệu từ Sáng kiến phân tích thần kinh bệnh Alzheimer (ADNI), đây là tập dữ liệu thử nghiệm lâm sàng về bệnh Alzheimer lớn nhất trên thế giới.
Thông qua ADNI, các nhà nghiên cứu có thể truy cập dữ liệu của khoảng 1.700 người - một số người mắc và một số không mắc bệnh Alzheimer - được thu thập trong 10 năm.
Nhóm nghiên cứu có quyền truy cập vào thông tin lâm sàng, bao gồm đánh giá chức năng nhận thức của người tham gia, quét não, dữ liệu liên quan đến cấu trúc DNA của cá nhân và phép đo dịch não tủy, cho thấy dấu ấn sinh học của bệnh Alzheimer.
Bước đầu tiên, các nhà nghiên cứu đã phát triển và thử nghiệm mô hình học máy của họ bằng cách sử dụng dữ liệu từ một nhóm con gồm 100 người tham gia. Tuy nhiên, có rất nhiều dữ liệu bị thiếu về nhóm này. Vì vậy, các nhà điều tra quyết định sử dụng một phương pháp thống kê khác để phân tích dữ liệu có sẵn của nhóm thuần tập theo cách giúp phân tích chính xác hơn.
Tuy nhiên, mô hình mới không đạt được mức độ chính xác mà các nhà phát triển của nó đã mong đợi. Để hiển thị nó chính xác hơn nữa, các nhà nghiên cứu đã sử dụng dữ liệu từ một nhóm con khác gồm những người tham gia ADNI.
Tuy nhiên, lần này, nhóm nghiên cứu quyết định không áp dụng cùng một mô hình cho tất cả mọi người. Thay vào đó, họ cá nhân hóa mô hình để phù hợp với từng người tham gia, thu nhận dữ liệu mới khi chúng có sẵn sau mỗi lần đánh giá lâm sàng mới.
Với cách tiếp cận này, các nhà nghiên cứu nhận thấy rằng mô hình dẫn đến tỷ lệ sai sót thấp hơn đáng kể trong các dự đoán của nó. Hơn nữa, nó hoạt động tốt hơn các mô hình học máy hiện có được áp dụng cho dữ liệu lâm sàng.
Tuy nhiên, các nhà nghiên cứu đã tiến thêm một bước nữa để đảm bảo rằng phương pháp tiếp cận của họ để lại ít sai sót nhất có thể. Họ tiếp tục phát minh ra một mô hình “học tập tổng hợp” có thể chọn cách tiếp cận tốt nhất để dự đoán kết quả nhận thức ở mỗi người tham gia.
Mô hình này tự động lựa chọn giữa tổng thể tổng thể và phương pháp tiếp cận được cá nhân hóa, tính toán phương pháp nào có nhiều khả năng sẽ đưa ra dự đoán tốt nhất cho bất kỳ cá nhân cụ thể nào tại một thời điểm cụ thể.
Các nhà nghiên cứu phát hiện ra rằng cách tiếp cận này làm giảm tỷ lệ lỗi cho các dự đoán thêm 50%.
Rudovic giải thích: “Chúng tôi không thể tìm thấy một mô hình duy nhất hoặc sự kết hợp cố định của các mô hình có thể cho chúng tôi dự đoán tốt nhất.
“Vì vậy, chúng tôi muốn tìm hiểu cách học với chương trình học meta này. Nó giống như một mô hình nằm trên một mô hình hoạt động như một bộ chọn, được đào tạo bằng cách sử dụng kiến thức meta để quyết định mô hình nào tốt hơn để triển khai ”.
Ognjen Rudovic
Trong tương lai, nhóm nghiên cứu đặt mục tiêu hợp tác với một công ty dược phẩm để thử nghiệm mô hình này trong một cuộc thử nghiệm bệnh Alzheimer đang diễn ra.
