مرض الزهايمر: يصمم الباحثون نموذجًا للتنبؤ بالتراجع
طور باحثون من معهد ماساتشوستس للتكنولوجيا نموذجًا للتعلم الآلي يمكنه التنبؤ بمعدل التدهور المعرفي المرتبط بمرض الزهايمر لمدة تصل إلى عامين في المستقبل.
يصيب مرض الزهايمر ملايين الأشخاص في جميع أنحاء العالم ، ومع ذلك لا يزال العلماء يجهلون أسبابه.
لهذا السبب ، يمكن أن تتضرر استراتيجيات الوقاية وتفوتها. علاوة على ذلك ، ليس لدى المتخصصين في الرعاية الصحية طريقة واضحة لتحديد معدل التدهور المعرفي للشخص بمجرد تشخيص الطبيب له بمرض الزهايمر.
الآن ، طور باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) في كامبريدج - بالتعاون مع متخصصين من مؤسسات أخرى - نموذجًا للتعلم الآلي يمكن أن يسمح للمتخصصين بالتنبؤ بمدى تغير الأداء المعرفي للشخص لمدة تصل إلى عامين مقدمًا. من هذا التراجع أصبح راسخًا.
سيقدم الفريق - المكون من Ognjen Rudovic و Yuria Utsumi و Kelly Peterson و Ricardo Guerrero و Daniel Rueckert والبروفيسور Rosalind Picard - مشروعهم في وقت لاحق من هذا الأسبوع في مؤتمر Machine Learning for Healthcare. سيعقد مؤتمر هذا العام في آن أربور ، ميشيغان.
يوضح رودوفيتش أن "التنبؤ الدقيق بالتدهور المعرفي من 6 إلى 24 شهرًا أمر بالغ الأهمية لتصميم التجارب السريرية". ويضيف أن هذا يرجع إلى أن "القدرة على التنبؤ بدقة بالتغييرات المعرفية المستقبلية يمكن أن تقلل من عدد الزيارات التي يتعين على المشارك القيام بها ، الأمر الذي قد يكون مكلفًا ويستغرق وقتًا طويلاً."
يتابع الباحث: "بصرف النظر عن المساعدة في تطوير دواء مفيد ، فإن الهدف هو المساعدة في تقليل تكاليف التجارب السريرية لجعلها ميسورة التكلفة ويتم إجراؤها على نطاقات أكبر".
استخدام التعلم التلوي للتنبؤ بالانحدار
من أجل تطوير نموذجهم الجديد ، استخدم الفريق بيانات من مبادرة التصوير العصبي لمرض الزهايمر (ADNI) ، وهي أكبر مجموعة بيانات للتجارب السريرية لمرض الزهايمر في العالم.
من خلال ADNI ، تمكن الباحثون من الوصول إلى بيانات ما يقرب من 1700 شخص - بعضهم مصاب بمرض الزهايمر والبعض الآخر بدونه - تم جمعها على مدى 10 سنوات.
تمكن الفريق من الوصول إلى المعلومات السريرية ، بما في ذلك تقييمات الأداء الإدراكي للمشاركين ، ومسح الدماغ ، والبيانات المتعلقة بتركيب الحمض النووي للأفراد ، وقياسات السائل النخاعي ، والتي تكشف عن المؤشرات الحيوية لمرض الزهايمر.
كخطوة أولى ، طور الباحثون واختبروا نموذج التعلم الآلي الخاص بهم باستخدام بيانات من مجموعة فرعية من 100 مشارك. ومع ذلك ، كان هناك الكثير من البيانات المفقودة حول هذه المجموعة. لذلك ، قرر المحققون استخدام نهج إحصائي مختلف لتحليل البيانات المتاحة للمجموعة بطريقة تجعل التحليل أكثر دقة.
ومع ذلك ، لم يصل النموذج الجديد إلى مستوى الدقة الذي توقعه مطوروه. لجعلها أكثر دقة ، استخدم الباحثون بيانات من مجموعة فرعية أخرى من المشاركين في ADNI.
لكن هذه المرة ، قرر الفريق عدم تطبيق نفس النموذج على الجميع. بدلاً من ذلك ، قاموا بتخصيص النموذج ليناسب كل مشارك ، مع أخذ البيانات الجديدة عندما أصبحت متاحة بعد كل تقييم سريري جديد.
مع هذا النهج ، وجد الباحثون أن النموذج أدى إلى معدل خطأ أقل بكثير في تنبؤاته. علاوة على ذلك ، كان أداؤه أفضل من نماذج التعلم الآلي الحالية المطبقة على البيانات السريرية.
ومع ذلك ، ذهب الباحثون إلى أبعد من ذلك للتأكد من أن نهجهم يترك مجالًا لأقل قدر ممكن من الخطأ. استمروا في ابتكار نموذج "ما وراء التعلم" الذي يمكنه اختيار أفضل نهج للتنبؤ بالنتائج المعرفية لكل مشارك.
يختار هذا النموذج تلقائيًا بين إجمالي عدد السكان والنهج المخصص ، ويحسب أيهما من المرجح أن يقدم أفضل تنبؤ لأي فرد معين في وقت معين.
وجد الباحثون أن هذا النهج يقلل من معدل الخطأ للتنبؤات بنسبة تصل إلى 50٪ إضافية.
يوضح رودوفيتش: "لم نتمكن من العثور على نموذج واحد أو مجموعة ثابتة من النماذج التي يمكن أن تعطينا أفضل توقع".
"لذلك أردنا أن نتعلم كيف نتعلم باستخدام مخطط التعلم التلوي هذا. إنه مثل نموذج أعلى نموذج يعمل كمحدد ، يتم تدريبه باستخدام المعرفة الوصفية لتحديد النموذج الأفضل لنشره ".
أوجنين رودوفيتش
من الآن فصاعدًا ، يهدف الفريق إلى تكوين شراكة مع شركة أدوية لاختبار هذا النموذج في تجربة جارية لمرض الزهايمر.
