Alzheimer: Penyelidik membuat model untuk meramalkan penurunan
Penyelidik dari Massachusetts Institute of Technology telah mengembangkan model pembelajaran mesin yang dapat meramalkan kadar penurunan kognitif yang berkaitan dengan Alzheimer hingga 2 tahun di masa depan.
Penyakit Alzheimer menyerang berjuta-juta orang di seluruh dunia, namun para saintis masih belum mengetahui apa yang menyebabkannya.
Atas sebab ini, strategi pencegahan dapat dilanggar Lebih-lebih lagi, profesional penjagaan kesihatan tidak mempunyai cara yang jelas untuk menentukan kadar penurunan kognitif seseorang setelah doktor mendiagnosis mereka dengan Alzheimer.
Kini, penyelidik dari Massachusetts Institute of Technology (MIT) di Cambridge - bekerjasama dengan pakar dari institusi lain - telah membangunkan model pembelajaran mesin yang dapat membolehkan pakar meramalkan berapa banyak fungsi kognitif seseorang akan berubah hingga 2 tahun lebih awal penurunan ini menjadi mapan.
Pasukan - yang terdiri daripada Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert, dan Prof Rosalind Picard - akan mempersembahkan projek mereka akhir minggu ini di persidangan Machine Learning for Healthcare. Persidangan tahun ini akan berlangsung di Ann Arbor, MI.
"Ramalan penurunan kognitif yang tepat dari 6 hingga 24 bulan sangat penting untuk merancang ujian klinikal," jelas Rudovic. Ini, tambahnya, kerana "[b] kebolehan dapat meramalkan secara tepat perubahan kognitif masa depan dapat mengurangi jumlah kunjungan yang harus dilakukan oleh peserta, yang dapat mahal dan memakan waktu."
"Selain membantu mengembangkan ubat yang berguna," penyelidik meneruskan, "tujuannya adalah untuk membantu mengurangkan kos ujian klinikal untuk menjadikannya lebih terjangkau dan dilakukan pada skala yang lebih besar."
Menggunakan pembelajaran meta untuk meramalkan penurunan
Untuk mengembangkan model baru mereka, pasukan menggunakan data dari Alzheimer's Disease Neuroimaging Initiative (ADNI), yang merupakan kumpulan data percubaan klinikal penyakit Alzheimer terbesar di dunia.
Melalui ADNI, para penyelidik dapat mengakses data kira-kira 1,700 orang - beberapa dengan dan beberapa orang tanpa penyakit Alzheimer - dikumpulkan selama 10 tahun.
Pasukan ini mempunyai akses ke maklumat klinikal, termasuk penilaian fungsi kognitif peserta, imbasan otak, data mengenai solek DNA individu, dan pengukuran cecair serebrospinal, yang menunjukkan biomarker penyakit Alzheimer.
Sebagai langkah pertama, para penyelidik mengembangkan dan menguji model pembelajaran mesin mereka menggunakan data dari subkumpulan 100 peserta. Walau bagaimanapun, terdapat banyak data yang hilang mengenai kohort ini. Oleh itu, penyelidik memutuskan untuk menggunakan pendekatan statistik yang berbeza untuk menganalisis data kumpulan yang tersedia dengan cara yang akan menjadikan analisis lebih tepat.
Namun, model baru itu tidak mencapai tahap ketepatan yang diharapkan oleh pembangunnya. Untuk menjadikannya lebih tepat, para penyelidik menggunakan data dari subkohor peserta ADNI yang lain.
Namun, kali ini, pasukan memutuskan untuk tidak menerapkan model yang sama untuk semua orang. Sebagai gantinya, mereka memperibadikan model agar sesuai dengan setiap peserta, dengan mengambil data baru setelah tersedia setelah setiap penilaian klinikal baru.
Dengan pendekatan ini, para penyelidik mendapati bahawa model tersebut menyebabkan kadar ralat yang jauh lebih rendah dalam ramalannya. Lebih-lebih lagi, ia menunjukkan prestasi yang lebih baik daripada model pembelajaran mesin yang ada pada data klinikal.
Namun, para penyelidik melangkah lebih jauh untuk memastikan bahawa pendekatan mereka meninggalkan ruang untuk kesalahan sesedikit mungkin. Mereka terus membuat model "pembelajaran meta" yang dapat memilih pendekatan terbaik untuk meramalkan hasil kognitif pada setiap peserta.
Model ini secara automatik memilih antara populasi keseluruhan dan pendekatan yang diperibadikan, mengira mana yang kemungkinan besar akan menawarkan ramalan terbaik untuk mana-mana individu tertentu pada satu masa tertentu.
Para penyelidik mendapati bahawa pendekatan ini mengurangkan kadar kesalahan ramalan sebanyak 50% tambahan.
"Kami tidak dapat menemui satu model atau kombinasi model tetap yang dapat memberikan ramalan terbaik kepada kami," jelas Rudovic.
“Oleh itu, kami ingin belajar bagaimana belajar dengan skema pembelajaran meta ini. Ia seperti model di atas model yang bertindak sebagai pemilih, dilatih menggunakan pengetahuan meta untuk memutuskan model mana yang lebih baik untuk digunakan. "
Ognjen Rudovic
Melangkah ke hadapan, pasukan ini bertujuan untuk membentuk kerjasama dengan syarikat farmaseutikal untuk menguji model ini dalam percubaan penyakit Alzheimer yang sedang berlangsung.
