AI -järjestelmien käyttäminen aivohalvauksen potilaiden kliinisen tuloksen optimoimiseksi

Toimitettava 1: Katsaus tiedonkeruuohjelmaan. Subakuutin aivohalvauksen eloonjääneet (n = 400) rekrytoidaan ja jaetaan satunnaisesti yhdelle neljästä ryhmästä, jotka saavat vain tavanomaisen kuntoutushoitoa, ja tavanomaista hoitoa sekä akupunktiota, robotti- tai neuromuskulaarista sähköstimulaatiota (NMES) -harjoittelua. Jokainen kohde arvioidaan ennen (A0), (A1) ja 6 kuukauden kuluttua intervention alkamisesta (A2). A0: lla perusteellinen kliininen, neurofysiologinen (EEG, EMG, TMS), MRI ja veripohjaiset arviot tehdään ennustavien palautumismarkkerien saamiseksi. A1: llä ja A2: lla vain kliiniset pisteet ja EMG arvioidaan karakterisoimiseksi uudelleenkehityksen jälkeisen toiminnallisen voiton ja pitkäaikaisen palautumisen karakterisoimiseksi. Lisäksi kaikissa ryhmissä kliiniset pisteet kirjataan intervention puolivälissä (A ½) hoidon etenemisen seuraamiseksi. Käsittelyt kestävät ≥1 kuukautta ≥20 koulutusistunnolla. Kaikkia A0-, A1- ja A2-tietoja analysoidaan offline-tilassa koneoppimisella ja muilla menetelmillä, ja sitten niitä käytetään AI-mallin, ylistys-HK: n (tarkkuuden kuntoutus AI -järjestelmän kouluttamiseen palautumisen parantamiseksi Hongkongissa ja sen ulkopuolella).

Toimitettava 2: selitettävät AI -palautumisen mallit. Yleiskatsaus. AI-järjestelmämme vastaanottaa korkean ulottuvuuden datan tuloja erilaisista tapoista, joista kukin vaatii ainutlaatuisia prosessointitekniikoita, jotka on räätälöity tietotyypin erityisominaisuuksiin analysoitavaksi. Neurokuvaustiedot, esimerkiksi kysynnän erikoistuneet kuvankäsittelyalgoritmit aivojen rakenteellisten ja toiminnallisten mittausten saamiseksi, kun taas aikasarjatiedot, kuten EEG ja EMG Erilaisten tietotyyppien verkkotunnuskohtaisen esikäsittelyn tarve aiheuttaa analyyttisen monimutkaisuuden tason, joka uhmaa tavanomaisia ​​syvän oppimistekniikoita, jotka eivät välttämättä sovi kunkin modaalisuuden esittämiin ainutlaatuisiin haasteisiin. Toimittavien, kliinisesti merkityksellisten näkemysten saamiseksi varmistaa samalla multimodaalisen tiedon tulkittavuus ja integrointi, tarvitaan kehittyneempiä algoritmeja, jotka ovat tavanomaisia ​​syvän oppimisia.

Sellaisenaan tutkijat ehdottavat hienostuneiden AI-fuusiomallin rakentamista ylistys-HK: n ytimeksi. Fuusiomalli on koneoppimislähestymistapa, joka integroi syöttöominaisuudet useista datamuodoista tavalla, joka hyödyntää niiden ainutlaatuisia panoksia tehdäkseen ennusteen tarkempi ja kestävämpi kuin mikään yksittäinen modaalisuus voisi tuottaa. Vaikka tässä olevien henkilöiden lukumäärä (n = 400) on parhaan tietomme mukaan korkein kaikista vastaavista tutkimuksista, korkean ulottuvuuden tietojen osalta tämä luku on riittävän pieni asettamaan melko tiukat rajoitukset analyyttisten menetelmien valintaan. vältetään, ja mallin yleistys varmistettiin. Näillä näkökohdilla tutkijat rakentavat fuusiomallimme kahteen vaiheeseen. Vaihe 1 sisältää ennustajien uuttamisen yksittäisistä muodoista riippumattomalla prosessoinnilla domeenikohtaisilla AI-malleilla. Tämä vaihe on välttämätön, koska jokainen modaalisuus voi tuottaa arvokkaimman tiedon vain erillisillä prosessointiputkilla. Vaihe 2 sisältää näiden jalostettujen tapojen fuusion. Tutkijat muotoilevat erikoistuneen fuusiomallin, joka mahtuu suhteellisen pienen näytteen koon, ennustajien korkean ulottuvuuden ja puuttuvien tietojen mahdolliset tapaukset. Lopullinen malli hyödyntää domeenispesifisten vaihe-1-lähtöjen vahvuuksia ja yhdistävät niiden näkemykset ennustetarkkuuden parantamiseksi.

Vaihe 1: Modaalisuuskohtaiset ominaisuuksien poiminnat. Neurokuvaus- ja moni-OMICS-muodoissa tutkijat hyödyntävät ennakkohallittuja malleja korkean ulottuvuuden tulojen kartoittamiseksi vähentyneisiin informatiivisiin piirteisiin tai upotuksiin. Tutkijat alkavat hienosäätämällä kunkin tietojoukkoon perustuen ja kehittävät sitten modaalisuuskohtaiset mallit käyttämällä esiopetusten esittelyinä esiopetus- ja hienosäädettyjä perusmalleja. Aikasarjojen tietojen, kuten EMG-, EEG- ja liikkeen sieppaustietojen, sekä vakio- että räätälöityjä menettelyjä käytetään melun suodattamiseen ja sopivien ennustajien tunnistamiseen. EMG: stä, ei-negatiivisesta matriisitekijäistä ja äskettäin ehdotettua oikaistua piilevää muuttujaa -malliamme käytetään lihassynergiaindeksien purkamiseen, jotka alustavista tuloksistamme (katso alla) sisältävät ennustavia aivohalvauksen palautumistietoja. EEG: stä ja EMG: stä näiden kahden signaalin (kortikohjainen koherenssi) ja EEG: n ja lihasten synergian aktivointien (kortico-synergy-koherenssi) väliset koheesio lasketaan spektrianalyysin avulla. Liikekaappaustiedoista liikkumisparametrit, kuten nivelliikenteen alue, voidaan purkaa standardimenetelmillä. Kaikkia yllä olevia parametreja käytetään ennustajina vaiheessa 2.

Vaihe 2: AI -fuusiomalli. Kun tutkijat ovat poimineet ennustajat jokaisesta modaalisuudesta, tutkijat kehittävät fuusiomallin, yhden jokaiselle hoitoryhmälle ja jokaiselle kliiniselle pisteelle, joka integroi nämä A0 -ennustajan tulot A1- ja A2 -pisteiden ennustamiseksi. Koska tutkijoilla ei ole aikaisempaa tietoa fuusiomalleissa käytettävien erilaisten menetelmien soveltuvuudesta, tutkijat arvioivat eri mallien suorituskykyä. Keinotekoisia hermoverkkoja, joilla on metaoppimista, käytetään niiden kykyyn oppia rikkaasta tietoominaisuudesta. Niiden suorituskyky vertailtaan muita malleja, kuten logistista regressiota, Bayesin menetelmiä ja satunnaisia ​​metsiä, menetelmiä, jotka ovat edullisia pienemmille tietoaineistoille, kuten meidän. Jokaiselle hoitoryhmälle fuusiomalli koulutetaan vaiheen 1 ennustajiin 100 koehenkilön merkittyjen tietojen kanssa tuloina ennustamaan pisteet parannukset A1: ssä ja A2: ssa.

Realistisesti tutkijat ennakoivat, että lopullisessa tietokannassamme on satunnaisesti puuttuvia datapisteitä. Tutkijat käyttävät keskinäisiä tietopohjaisia ​​imputoinitekniikoita puuttuvien heterogeenisten arvojen arvioimiseksi, hyödyntäen siten käytettävissä olevia tietoja ja estämään ennakkoluuloja mallikoulutuksessa. Herkkyysanalyysit suoritetaan puuttuvan tiedon vaikutuksen arvioimiseksi mallin ennusteisiin, mikä varmistaa havaintojen luotettavuuden.

Koko järjestelmän rakennusprosessin aikana tutkijat hyödyntävät ja vertailevat erilaisia ​​AI-algoritmeja vaiheen 1 ominaisuuden uuttoihin ja vaihe-2-fuusioon. Käytetyt mallit ja lähestymistavat tarkennetaan iteratiivisesti testien suorituskykymittarien ja kliinisen palautteen perusteella. Historiallisia tietoja käytetään mallien validoimiseksi arvioimalla suositeltujen interventioiden tehokkuutta aikaisemmissa kliinisissä skenaarioissa.

Lisävaihe 3: Päätöksenvalmistuskehyksen rakentaminen. Jokaiselle aiheelle vertaamalla vaiheen 2 tuloksen ennusteita hoitospesifisissä malleissa voidaan jo päättää kohteen ihanteellisesta interventiosta yksinkertaisesti valitsemalla käsittely, jonka malli tuottaa parhaan A2-parannuksen. Mutta tämä valintaprosessi ei ole läpinäkyvä, koska fuusiomallit eivät nimenomaisesti osoita, kuinka monet ennustajat ovat vuorovaikutuksessa johtamaan mallit yhdessä suositellun hoidon saavuttamiseksi. AI-järjestelmän selittävyyden parantamiseksi tutkijat toteuttavat vaiheen 3 nimenomaisen päätöksentekokehyksen rakentamiseksi, joka ohjaa interventioiden valintaa, joka on samanlainen kuin Stineaar et al. Luokittelija koulutetaan vaiheen 1 ennustajilla ja kaikkien koehenkilöiden (n = 400) vaiheen 2 pistemäärien ennusteilla ja luokitelluilla interventio-asetuksilla, jotka on johdettu vaiheen 2 lopputuloksen vertailusta lähtöinä. Koulutettu luokittelija voi toimia päätöksenteon tukityökaluna, joka paljastaa päätöksenteon saavuttamiseen tarvittavimmat arvioinnit ja tarjoaa läpinäkyvät päättelyt suosituksillaan parantaen siten ymmärrystämme siitä, miksi tiettyjä aiheita on osoitettu jokaiseen hoitoon. Tulkittavuuden maksimoimiseksi tutkijat toteuttavat päätöksentekopuvien algoritmit, kuten satunnaiset metsät, jotka kykenevät etsimään monimutkaisia ​​epälineaarisia suhteita muuttujien välillä.