机器学习:帮助确定药物如何影响大脑

机器学习可以提高我们的能力来确定大脑中的一种新药是否有效,有可能使研究人员检测药物作用,将错过了完全由传统的统计测试,发现伦敦大学学院的一项新研究发表在大脑。

“当前统计模型过于简单。他们不能捕获复杂的生物学变异人,丢弃他们仅仅是噪音。我们怀疑这可能部分解释了为什么那么多药品试验工作简单的动物,但失败的复杂的人类大脑。如果是这样的话,机器学习能够模拟人类大脑的全面复杂性可能会发现原本会被忽略的治疗效果,”博士说,这项研究的第一作者,Parashkev Nachev(伦敦大学学院神经病学研究所)。

测试的概念,研究团队观察患者中风的大规模数据,提取的复杂解剖模式在每个病人脑损伤引起的中风,创建过程中最大的收藏在解剖学上注册图像中风的组装。作为中风的影响指数,他们用视线方向,客观地测量从眼睛上看到头部CT扫描在住院,和核磁共振扫描通常1 - 3天后完成。

然后模拟大规模荟萃分析一组假设的药物,治疗效果是否不同的震级,错过了传统统计分析和机器学习。例如,给予药物治疗,减少大脑损伤70%,他们测试了使用传统(低维)统计检验显著的影响以及利用高维机器学习方法。

机器学习技术考虑了损伤在整个大脑的存在与否,治疗中风的一个复杂的“指纹”,被众多的变量。

“中风试验倾向于使用相对较少,原油变量,如病变的大小、忽视病变是否集中在关键区域或在它的边缘。算法学习整个整个大脑的损伤模式相反,雇佣成千上万的变量在高解剖决议。通过照明复杂的解剖学和临床结果之间的关系,它使我们能够检测治疗效果与更大的敏感性比传统技术,”该研究的第一作者解释说,Tianbo徐(伦敦大学学院神经病学研究所)。

机器学习方法的优势特别强烈时观察干预措施,减少损伤本身的体积。与传统低维模型、干预需要缩小病灶,78.4%的体积效应的试验中发现往往在高维模型检测的影响可能会比病变时仅缩水55%。

“传统统计模型将错过影响即使药物通常减少病变的大小的一半,甚至更多,因为大脑的功能解剖学的复杂性——当左下落不明——介绍那么多个人变化测量的临床结果。然而储蓄50%的受影响的大脑区域是有意义的,即使它没有一个明确的对行为的影响。没有多余的大脑,”Nachev博士说。

研究人员说他们的发现表明,机器学习可以宝贵的医学科学,特别是当系统研究,如大脑,是高度复杂的。

“机器学习的真正价值并不在于在自动化方面我们发现自然容易做到,但正式化的非常复杂的决策。机器学习可以把临床医生的直觉的灵活性与统计数据的形式推动循证医学。1000年代模型,齐心协力的变量仍然可以严谨和数学上的声音。我们现在可以捕捉复杂的解剖关系和结果精度高,“Nachev博士说。

“我们希望研究者和临床医生开始使用我们的方法下次他们需要临床试验运行,”合著者教授说杰伦特里斯(伦敦大学学院生命科学学院院长)。

这篇文章被转载材料所提供的伦敦大学学院。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考

徐,T。贼鸥,h·R。侯赛因,M。里斯,G。& Nachev p (2017)。高维推理的局部治疗人类大脑受损。大脑。大脑/ awx288 doi: 10.1093 /