药明康德AI/报道

新药成功上市，归根到底还是因为能在临床试验阶段招募那些相关病症还在早期阶段、症状尚未明显的患者，在这类患者身上的治疗效果也是最明显的。所以这个来自MIT的研究团队，不仅致力于预测阿尔茨海默病患者认知衰退情况，他们还要用AI实现临床试验中最佳候选药物与最佳参与者群组的选择。

实验表明，新AI可以分别提前6个月、12个月、18个月和24个月对阿尔茨海默病患者的认知情况进行预测。因此，临床医生便可以使用该模型来选择有认知衰退风险的患者进行临床试验，并能更好地判断哪些AD药物有效、哪些无效。下周，MIT的研究团队将在相关领域会议发表论文。那么先让我们提前看一下，来自于MIT研究团队的成果吧。

从“群体”到“个性化”

MIT研究团队所采用的完整数据集是世界上最大的阿尔茨海默病临床试验数据集——阿尔茨海默病神经影像学倡议（ADNI）。ADNI的数据包含了1700名AD患者和非AD患者过去10年的治疗记录。具体数据包括，MRI扫描结果、人口统计学和遗传学信息、脑脊液测量结果以及患者AD认知量表(ADAS-Cog13)结果（该量表的认知测试结果是阿尔茨海默病药物临床试验中使用最广泛的认知指标，译者注）。该量表旨在该对患者记忆力、语言和定向能力进行评估。

图片来源：Pixabay

本次实验中，研究人员针对数据集中100名患者（包含AD与非AD患者，这些患者接受了10次以上访问，数据完整性高，每个人都有600多个可计算特征）的信息模型展开测试并训练。其中，48人被AI诊断出患有阿尔茨海默病。但由于数据不多，实验数据间缺乏能够组合的灵活性。研究团队便使用高斯过程（GP，是概率论和数理统计中随机过程的一种，是一系列服从正态分布的随机变量在一指数集内的组合，译者注）训练了一个更灵活的模型。经优化后的系统更具灵活性，即使数据集杂乱、有所缺失，它也能稳定运行。

可灵活学习数据集还不够，系统本身性能还需“包容性”。一旦实验有新的患者参加，模型还是存在着一些问题。研究团队发现，当评估新患者的模型时，系统的预测准确度并比预期的要低。因此，他们个性化制定了一种适用于不同人群的模型。“个性化”模型可以逐步更新填补新患者就诊时的数据空白，并相应更新他们的AD认知量表评分预测。经过四次实验后，“个性化”算法模型预测错误率明显降低。

机器学习的“自我进化”

科研之路充满曲折，科学家们推翻自己已取得的理论和成功也是常有的事，他们更不会满足于先阶段取得的成就。MIT研究团队发现，即使建立了针对预测阿尔茨海默病认知衰退的“个性化”模型、降低了“群体”模型工作的失误率，但AI预测精度还达不到他们的理想标准。

在此基础上他们再次突破，制定了一种新颖的元学习（ML, Meta Learning）方案，该方案中，AI可以根据给定的数据集信息自主分析，从而自主选择采用群体预测模型还是个性化预测模型进行工作。元学习方案更像一个模型之上的模型，它充当了一个“选择器”，使用元知识训练后，系统再决定哪个模型更适合。当早期患者访问数据较少时，根据已有的数据集，群体模型可以做出更准确的预测；当新患者数增加时，个性化模型则更适用。使用元学习方案，误测率可再降低50%。

图片来源：Pixabay

元学习方案需要AI能模拟出在不同模型上处理给定任务的能力。元学习是通过一些训练示例来学习新技能或快速适应新环境，此前多用于计算机视觉和机器翻译领域。此次用于追踪阿尔茨海默病患者认知情况以及预测认知衰退，实属创新之举。但是，研究团队要面对的挑战却不小，他们需要从有限的数据集中不断突破。

研究团队下一步计划与各制药公司进行合作，将新系统应用于阿尔茨海默病新药研发的临床试验中。预测阿尔茨海默病认知能力衰退对设计临床试验起着至关重要的作用，一旦成功，未来各制药公司的新药研发成费用也会降低。

药明康德AI整理编译

来源：news.mit.edu

作者：Rob Matheson

题图来源: Pixabay

参考资料:

[1] Model predicts cognitive decline due to Alzheimer’s, up to two years out Retrieved Aug 1, 2019 from http://news.mit.edu/2019/model-predicts-alzheimers-decline-0802

本文来自药明康德微信团队，欢迎转发到朋友圈，谢绝转载到其它平台。如有开设白名单需求，请在文章底部留言；如有其它合作需求，请联系wuxi_media@wuxiapptec.com。