«Текущие статистические модели слишком просты. Они не захватывают сложные биологические изменения через людей, отказываясь от них как от простого шума. Мы подозревали, что это могло частично объяснить, почему столько работы испытаний лекарственных препаратов у простых животных, но терпит неудачу в сложных мозгах людей. Если так, машинное обучение, способное к моделированию человеческого мозга в его полной сложности, может раскрыть эффекты лечения, которые были бы иначе пропущены», сказал ведущий автор исследования, доктор Парашкев Начев (Институт UCL Невралгии).
Чтобы проверить понятие, исследовательская группа посмотрела на крупномасштабные данные от пациентов с ударом, извлекая сложный анатомический образец ущерба головного мозга, нанесенного ударом в каждом пациенте, создав в процессе крупнейшую коллекцию анатомически зарегистрированных изображений удара, когда-либо собранного. Как индекс воздействия удара, они использовали направление пристального взгляда, объективно измеренное от глаз, как замечено на главных снимках компьютерной томографии после госпитализации, и от обследований методом МРТ, как правило, сделанных 1-3 дня спустя.
Они тогда моделировали крупномасштабный метаанализ ряда гипотетических наркотиков, чтобы видеть, могли ли воздействия лечения различных величин, которые будут пропущены обычным статистическим анализом, быть отождествлены с машинным обучением. Например, учитывая медикаментозное лечение, которое уменьшает мозговое повреждение на 70%, они проверили на значительный эффект, используя обычные (низко-размерные) статистические тесты, а также при помощи высоко-размерных методов машинного обучения.Метод машинного обучения принял во внимание присутствие или отсутствие повреждения через весь мозг, рассматривая удар как сложный «отпечаток пальца», описанный множеством переменных.«Испытания удара имеют тенденцию использовать относительно немногих, сырые переменные, такие как размер повреждения, игнорируя, сосредоточено ли повреждение на критической области или на краю его.
Наш алгоритм изучил весь образец повреждения через мозг вместо этого, используя тысячи переменных в высокой анатомической резолюции. Освещая сложные отношения между анатомией и исходом болезни, это позволило нам обнаружить терапевтические эффекты с намного большей чувствительностью, чем обычные методы», объяснил первый автор исследования, Тяньбо Сюй (Институт UCL Невралгии).Преимущество подхода машинного обучения было особенно сильно, смотря на вмешательства, которые уменьшают объем самого повреждения. С обычными низко-размерными моделями вмешательство должно было бы уменьшить повреждение по 78,4% его объема для эффекта, который будет обнаружен в испытании, как правило, в то время как высоко-размерная модель больше, чем, вероятно, обнаружит эффект, когда повреждение было уменьшено только на 55%.
«Обычные статистические модели пропустят эффект, даже если препарат, как правило, уменьшит размер повреждения наполовину, или больше, просто потому что сложность функциональной анатомии мозга – когда оставлено неучтенный – вводит так много отдельной изменчивости в измеренных исходах болезней. Все же экономия 50% затронутой мозговой области значащая, даже если это не оказывает ясное влияние на поведение. Нет такой вещи как избыточный мозг», сказал доктор Начев.
Исследователи говорят, что их результаты демонстрируют, что машинное обучение могло быть неоценимо для медицинской науки, особенно когда система при исследовании – таком как мозг – очень сложна.«Реальная ценность машинного обучения находится не так в автоматизации вещей, которые мы считаем легкими сделать естественно, но формализация очень сложных решений.
Машинное обучение может объединить интуитивную гибкость клинициста с формальностью статистических данных, которые стимулируют медицину на основе фактических данных. Модели, которые сплачивают 1000-е переменных, могут все еще быть строгими и математически звучать.
Мы можем теперь захватить сложные отношения между анатомией и результатом с высокой точностью», сказал доктор Начев.«Мы надеемся, что исследователи и клиницисты начинают использовать наши методы в следующий раз, когда они должны управлять клиническим испытанием», сказал, создают в соавторстве профессора Джерейнта Риса (Декан, Факультет UCL Наук о жизни).
Исследование финансировалось Wellcome и Национальным Институтом Исследования в области здравоохранения Больницы Университетского колледжа Лондона Биомедицинский Научно-исследовательский центр.