机器学习可以比传统测试更灵敏地检测治疗效果

2019-04-18 14:00:06 围观 : 188

  机器学习可以比传统测试更灵敏地检测治疗效果

  2017年11月15日

  机器学习可以提高我们确定一种新药是否在大脑中起作用的能力,可能使研究人员能够检测到传统统计检验完全无法检测到的药物效应,一项新的UCL研究发表在Brain上。

  

  “目前的统计模型太简单了。他们未能捕捉到人们的复杂生物变异,将其视为仅仅是噪音。我们怀疑这可以部分解释为什么如此多的药物试验在简单的动物中起作用,但在人类复杂的大脑中失败。如果是这样的话,能够以完全复杂性对人脑进行建模的机器学习可以揭示否则将被遗漏的治疗效果,“该研究的主要作者,Parashkev Nachev博士(伦敦大学学院神经病学研究所)说。

  为了测试这个概念,研究小组研究了脑卒中患者的大规模数据,提取了每位患者中风引起的脑损伤的复杂解剖模式,在此过程中创建了最大的解剖学登记图像集合。 。作为中风影响的指标,他们使用凝视方向,客观地从入院时头部CT扫描的眼睛测量,并且通常在1-3天后进行MRI扫描。

  然后,他们模拟了对一组假设药物的大规模荟萃分析,以确定传统统计分析可能遗漏的不同程度的治疗效果是否可以通过机器学习来识别。例如,给予药物治疗使脑部病变缩小70%,他们使用常规(低维)统计检验以及使用高维机器学习方法测试了显着效果。

  机器学习技术考虑了整个大脑中是否存在损伤,将中风视为复杂的“指纹”,由多个变量描述。

  “中风试验倾向于使用相对较少的粗略变量,例如病变的大小,忽略病变是否集中在关键区域或其边缘。我们的算法学习了整个大脑的整个损伤模式,采用了高解剖分辨率的数千个变量。通过阐明解剖学和临床结果之间的复杂关系,它使我们能够以比传统技术更高的灵敏度检测治疗效果,“该研究的第一作者,徐天波(UCL神经病学研究所)解释说。

  相关的StoriesUQ研究可以解释为什么维生素D对大脑健康至关重要新的婴儿大脑图可能有助于早期诊断自闭症抗抑郁药物可以帮助人们免于致命的败血症研究表明,在研究减少体积的干预措施时,机器学习方法的优势尤其强烈病变本身。对于传统的低维模型,干预需要将病变缩小78.4%,以便在试验中检测到的效果更多,而高维模型很可能会检测到效果。病灶缩小了55%。

  “传统的统计模型即使药物通常会使病变的大小减少一半或更多,也会错过一种效果,仅仅是因为大脑的功能解剖学的复杂性 - 当不明白时 - 引入了如此多的个体变异性临床结果。然而,即使它对行为没有明显的影响,节省50%受影响的大脑区域也是有意义的。没有多余的大脑,“纳切夫博士说。

  研究人员表示,他们的研究结果表明,机器学习对于医学科学来说是非常宝贵的,特别是当研究中的系统 - 例如大脑 - 非常复杂时。

  “机器学习的真正价值在于自动化我们发现很容易自然而然地形成非常复杂的决策的事物。机器学习可以将临床医生的直观灵活性与推动循证医学的统计学的形式相结合。将1000个变量组合在一起的模型仍然可以严格且数学上合理。我们现在可以高精度地捕捉解剖结构和结果之间的复杂关系。纳切夫博士说。

  “我们希望研究人员和临床医生在下次需要进行临床试验时开始使用我们的方法,”共同作者Geraint Rees教授(伦敦大学学院生命科学学院院长)说。

  来源:HTTPS://www.ucl.ac.uk/news/news-articles/1117/151117-machine-learning-clinical-trials/