AIシステムを使用して、脳卒中患者の臨床結果を最適化する

成果物1：データ収集計画の概要。 亜急性脳卒中の生存者（n = 400）が募集され、4つのグループのいずれかにランダムに割り当てられ、通常のリハビリケアのみを受け取り、通常のケアと鍼治療、ロボット、または神経筋電気刺激（NME）トレーニングを受けます。 各被験者は、介入の開始（A2）の後（A1）、（A1）、および6か月前（A2）の前に評価されます。 A0では、徹底的な臨床、神経生理学（EEG、EMG、TMS）、MRI、および血液ベースの評価が予測回復マーカーを導出するために行われます。 A1とA2では、レハブ後の機能的ゲインと長期回復を特徴付けるために、臨床スコアとEMGのみが評価されます。 また、すべてのグループで、介入の途中（A½）の途中で臨床スコアが記録され、治療の進行が監視されます。 治療は、20以上のトレーニングセッションで1か月以上続きます。 すべてのA0、A1、およびA2データは、機械学習やその他の方法でオフラインで分析され、AIモデルであるRAISHE-HK（香港およびそれ以降の回復を強化するための精密リハビリテーションAIシステム）のトレーニングに使用されます。

成果物2：説明可能なAI回復モデル。 概要。 AIシステムは、多様なモダリティから高次元データ入力を受信します。それぞれが、分析のためにデータ型の特定の特性に合わせた一意の処理手法を必要とします。 たとえば、ニューロイメージングデータは、脳の構造的および機能的測定を導出するための特殊な画像処理アルゴリズムを需要がありますが、EEGやEMGなどの時系列データは、さまざまな時間分解能に埋め込まれたパターンをキャプチャする信号処理ツールで最初に分析する必要があります。 多様なデータ型のドメイン固有の前処理の必要性により、各モダリティによって提示される独自の課題に対応しない標準的な深い学習手法に反する分析の複雑さのレベルが生まれます。 マルチモーダルデータの解釈と統合を確保しながら、実用的で臨床的に関連する洞察を得るには、標準的な深い学習を超えたより洗練されたアルゴリズムが必要です。

そのため、調査官は、洗練されたAI融合モデルの構築を賛美-HKの中核として提案しています。 Fusion Modelは、単一のモダリティよりも予測をより正確かつ堅牢にするために独自の貢献を活用する方法で、複数のデータモダリティからの入力機能を統合する機械学習アプローチです。 ここでの被験者の数（n = 400）は、私たちの知る限り、すべての同様の研究の中で最も高いことですが、高次元データについては、この数は分析方法の選択にかなり厳しい制約を課すのに十分小さいです。避けられ、モデルの一般化が確実になります。 これらの考慮事項により、調査員は2つのフェーズで融合モデルを構築します。 フェーズ1には、ドメイン固有のAIモデルを使用した独立した処理を通じて、個々のモダリティからの予測因子の抽出が含まれます。 各モダリティは、異なる処理パイプラインでのみ最も価値のある情報を生成できるため、このフェーズが必要です。 フェーズ2には、これらの処理されたモダリティの融合が含まれます。 調査員は、比較的小さなサンプルサイズ、予測因子の高次元、および欠落データの潜在的なインスタンスに対応する専門的な融合モデルを策定します。 最終モデルは、ドメイン固有のフェーズ-1出力の強度を活用し、予測精度を改善するための洞察を組み合わせます。

フェーズ1：モダリティ固有の特徴抽出。 ニューロイメージングおよびマルチオミクスのモダリティの場合、調査員は事前に訓練されたモデルを活用して、高次元の入力を還元された有益な機能または埋め込みセットにマッピングします。 調査員は、各データセットに基づいて微調整された基礎モデルから始め、その後、特徴抽出器として事前に訓練された微調整された基礎モデルを使用してモダリティ固有のモデルを開発します。 EMG、EEG、モーションキャプチャデータなどの時系列データの場合、標準およびカスタム由来の両方の手順を使用して、ノイズをフィルタリングし、適切な予測因子を特定します。 EMGから、非陰性マトリックス因数分解と最近提案された修正潜在変数モデルを使用して、筋肉の相乗指数を抽出します。 EEGとEMGから、これら2つのシグナル（皮質筋肉の一貫性）とEEGと筋肉の相乗的活性化（皮質 - synergyコヒーレンス）の間のコヒーレンスは、スペクトル分析を通じて計算されます。 モーションキャプチャデータから、ジョイントモーション範囲などの移動パラメーターを標準的な方法で抽出できます。 上記のすべてのパラメーターは、フェーズ2の予測因子として使用されます。

フェーズ2：AI融合モデル。 研究者が各モダリティから予測因子を抽出すると、研究者は、A1およびA2スコアの予測のためにこれらのA0予測入力を統合する各治療グループと各臨床スコアに1つの融合モデルを開発します。 調査員は、融合モデルで使用されるさまざまな方法の適合性に関する事前の情報を持っていないため、調査員はさまざまなモデルのパフォーマンスを評価します。 メタラーニングを備えた人工ニューラルネットワークは、豊富な一連のデータ機能から学習する能力に使用されます。 それらのパフォーマンスは、ロジスティック回帰、ベイジアンメソッド、ランダムフォレストなどの他のモデルに対してベンチマークされます。これは、当社のような小さなデータセットに有利な方法です。 各治療グループについて、融合モデルは、A1およびA2でのスコアの改善を予測するために、入力として100人の被験者からのラベルデータを使用して、フェーズ1予測因子でトレーニングされます。

現実的には、調査員は、最終データベースが時折欠落しているデータポイントを持っていると予想しています。 調査員は、相互の情報ベースの帰属手法を採用して、不均一な値の欠落を推定し、それにより利用可能なデータを最大限に活用し、モデルトレーニングでバイアスを防ぎます。 感度分析が実施され、モデルの予測に対する欠落データの影響を評価し、それによって調査結果の信頼性を確保します。

システム構造プロセス全体を通じて、調査員は、フェーズ1特徴抽出とフェーズ2融合のさまざまなAIアルゴリズムを利用して比較します。 採用されたモデルとアプローチは、テストパフォーマンスメトリックと臨床フィードバックに基づいて繰り返し洗練されます。 履歴データは、以前の臨床シナリオで推奨される介入の有効性の遡及的評価を通じてモデルを検証するために利用されます。

追加フェーズ3：意思決定フレームワークの構築。 すべての被験者について、治療固有のモデル全体で相2位の結果の予測を比較することにより、モデルが最良のA2改善をもたらす治療を選択するだけで、被験者に対する理想的な介入をすでに決定することができます。 しかし、融合モデルは、多くの予測因子がどのように相互作用してモデルを導き、推奨治療に到達するかを明示的に示していないため、この選択プロセスは透明ではありません。 AIシステムの説明可能性を高めるために、調査員は、Stinear et al。 分類器は、Phase-1予測因子と、入力として機能するすべての被験者（n = 400）のフェーズ-2スコア予測と、フェーズ2アウトカム比較から出力として推測されるランク付けされた介入選好を訓練します。 訓練された分類器は、意思決定に到達するために必要な最もpar約的な評価セットを明らかにし、その推奨事項の背後に透明な推論を提供する意思決定支援ツールとして機能し、それによって特定の被験者が各治療に割り当てられる理由の理解を高めることができます。 解釈可能性を最大化するために、調査員は、変数間の複雑で非線形の関係を識別できるランダムフォレストなどの意思決定ツリーアルゴリズムを実装します。