2022年2月25日,

深度学习技术预测临床治疗结果

当谈到治疗策略对于危重患者,临床医生希望能够考虑所有的选项和时间管理,并为病人做出最优决策。虽然临床经验和研究帮助他们成功的在这方面,并不是所有的病人都是相同的,在这种关键时刻和治疗决策可能意味着病人改善和迅速恶化的区别。因此,它将有利于医生能够把病人的健康状况和接受治疗和使用之前知道病人健康状况的预测,结果在不同治疗方案,为了挑选最好的路径。

深度学习的技术,称为全时,来自麻省理工学院的研究人员和IBM因果反事实的预测提供了一个窗口,提供医生的机会去探索一个病人如何表现在不同的治疗计划。全时是g-computation算法的基础,一个因果推论方法,估计动态风险的影响的测量混杂variables-ones可能影响治疗和结果。不像以前g-computation框架的实现,使用线性建模方法,全时使用复发性神经网络(RNN)节点连接,让他们更好地与复杂和非线性动力学模型的时间序列,像那些在生理和临床时间序列数据。通过这种方式,医生可以根据病人的历史和发展替代计划在做决定之前,测试它们。

“我们的终极目标是开发一个机器学习技术,将允许医生去探索各种“如果”场景和治疗方案,李伟雷曼说,麻省理工学院的科学家在麻省理工学院医学工程和科学研究所和一个MIT-IBM沃森AI实验室项目领导。“很多工作已经完成深度学习的反事实的预测但[它]被集中在一个点曝光设置,“或者一个静态的,时变的治疗策略,不允许调整治疗病人的历史变化。然而,她的团队的新预测方法提供了治疗计划的灵活性和治疗机会改变随着时间的推移病人协变量历史和过去的治疗方法改变。“全时是第一个基于g-computation的深度学习方法可以预测动态下的群体和个体层面的治疗效果和时间不同治疗策略。”

这项研究最近发表在机器学习研究的程序是由瑞李濛20,斯蒂芬妮胡锦涛孟的21日,前麻省理工学院博士后明宇陆医学博士研究生Yuria他,IBM的研究人员Prithwish Chakraborty, IBM research混合云服务主管Daby播种,IBM数据科学家总裁马丹,IBM研究科学家Mohamed Ghalwash扎克Shahn和IBM研究的科学家。

跟踪疾病进展

建立、验证和测试全时的预测能力,研究人员考虑败血症的病人在ICU的循环系统。在急救护理,医生需要权衡和判断,如确保器官没有心脏超负荷工作得到充足的血液供应。为此,他们可以给病人静脉输液,血压升高;然而,过多会引起水肿。另外,医生可以进行升压,收缩血管,提高血压。

为了模拟展示全时的概念验证,该团队使用CVSim,人类心血管系统的机械模型是由28个输入变量描述系统的当前状态,如动脉压、中心静脉压,总血容量,和总外周阻力,修改它来模拟各种疾病过程(例如,败血症或失血)和干预措施的影响(例如,液体和升压)。研究者CVSim生成观察病人数据用于训练和对反事实的预测“地面实况”比较。全时架构,研究人员跑两个RNNs处理和预测变量是连续的,这意味着它们可以承担一系列的值,如血压、和分类变量,离散值,如肺水肿的存在与否。研究人员模拟成千上万的“病人”的健康轨迹表现出症状在一个治疗方案,比方说,66年的步伐,并使用他们训练和验证模型。

测试全时的预测能力,团队生成两个反事实的数据集。每个已知包含大约1000个病人健康的轨迹,从CVSim创建使用相同的“病人”状态开始接受治疗a .然后在33岁的步伐治疗改变了计划B或C,这取决于数据集。团队然后执行100年预测轨迹为每个这些1000名患者,治疗和病史已知直到33当一个新的治疗管理的步伐。在这些情况下,预测同意与“真实”的观察患者个体和群体平均轨迹。

更胜一筹

自g-computation框架是灵活的,研究人员想要研究全时使用不同的非线性的预测模型在这种情况下,短期记忆(LSTM)模型,它是一种RNN,可以学习从以前的数据模式或sequences-against越经典线性模型和多层感知模型(MLP),一种神经网络,可以使用非线性方法进行预测。类似的设置后,研究小组发现,已知和预测之间的误差情况下最小的LSTM模型比别人。由于全时能够模型的时序模式病人的ICU历史和过去的治疗,而线性模型和延时不能,这是能够更好地预测病人的结果。

该小组还全时的预言在静态相比,时变治疗设置对两种基于最先进的深度学习的反事实的预测方法,反复边际结构网络(rMSN)和反事实的递归神经网络(CRN),以及线性模型和一个延时。为此,他们调查了一个模型肿瘤生长在任何治疗,放疗,化疗,放疗和化疗方案。“想象这样一个场景:有一个癌症患者,和静态政权的一个例子是如果你只给一个固定剂量的化疗,放疗,或任何一种药物,等到年底你的轨迹,“评论。对于这些调查,研究者使用肿瘤体积生成的模拟观测数据作为主要影响决定治疗计划和证明全时优于其它模型。一个潜在的原因可能是因为g-computation是比rMSN和CRN统计上有效,当模型是正确地指定。

虽然全时所做的模拟数据,需要做更多的工作才能适用于真正的病人。由于神经网络可以被认为是“黑匣子”预测的结果,研究人员开始调查的不确定性模型以确保安全。与这些方法,推荐一个“最佳”治疗计划没有任何临床医生参与,“作为一个决策支持工具,我相信全时更可判断的,因为临床医生将输入治疗策略自己,”雷曼说,“全时允许他们能够探索不同的假说。”Further, the team has moved on to using real data from ICU patients with sepsis, bringing it one step closer to implementation in hospitals.