AI 시스템을 사용하여 뇌졸중 환자의 임상 결과를 최적화

전달 가능 1 : 데이터 수집 계획 개요. 아 급성 뇌졸중 생존자 (n = 400)는 4 개의 그룹 중 하나에 모집 및 무작위로 할당되며, 이는 평소 재활 치료만을 받고, 평소 치료와 침술, 로봇 또는 신경 근육 전기 자극 (NMES) 훈련을 받게됩니다. 각 대상은 (A0), (A1) 후 (A1) 및 중재 시작 후 6 개월 전 (A2) 이전에 평가됩니다. A0에서 철저한 임상, 신경 생리 학적 (EEG, EMG, TMS), MRI 및 혈액 기반 평가는 예측 회복 마커를 도출하기 위해 이루어질 것입니다. A1 및 A2에서, 임상 점수 및 EMG만이 포스트 -HIRHAB 기능적 이득 및 장기 회복 특성화에 대해 평가 될 것이다. 또한, 모든 그룹에서 임상 점수는 중재 중반 (AM)을 통해 (½)로 기록되어 치료 진행 상황을 모니터링합니다. 치료는 20 개월 이상 지속됩니다. 모든 A0, A1 및 A2 데이터는 기계 학습 및 기타 방법으로 오프라인으로 분석 된 다음 AI 모델을 훈련시키는 데 사용됩니다.

전달 가능 2 : 설명 가능한 AI 복구 모델. 개요. 당사의 AI 시스템은 다양한 양식으로부터 고차원 데이터 입력을 수신하며, 각각 분석을 위해 데이터 유형의 특정 특성에 맞춰진 고유 한 처리 기술이 필요합니다. 예를 들어, 신경 영상 데이터는 뇌 구조 및 기능 측정을 도출하기위한 특수 이미지 처리 알고리즘을 요구하는 반면, EEG 및 EMG와 같은 시계열 데이터는 먼저 다양한 시간적 해상도에 걸쳐 임베디드 패턴을 캡처하는 신호 처리 도구로 분석해야합니다. 다양한 데이터 유형의 도메인 별 전처리의 필요성은 표준 딥 러닝 기술을 무시하는 수준의 분석 복잡성을 야기하며, 이는 각 방식으로 제시된 고유 한 과제를 수용하지 못할 수 있습니다. 다중 모드 데이터의 해석 가능성과 통합을 보장하면서 실행 가능하고 임상 적으로 관련된 통찰력을 얻으려면 표준 딥 러닝 이외의보다 정교한 알고리즘이 필요합니다.

따라서, 연구자들은 정교한 AI 융합 모델의 구성을 Praise-HK의 핵심으로 제안합니다. Fusion Model은 단일 양식이 생성 할 수있는 것보다 예측을보다 정확하고 견고하게 만드는 고유 한 기여를 활용하는 방식으로 여러 데이터 양식의 입력 기능을 통합하는 기계 학습 방식입니다. 여기에서 주제의 수 (n = 400)는 우리가 아는 한, 모든 유사한 연구 중에서 가장 높은 수준이지만, 고차원 데이터의 경우이 수는 분석적 방법의 선택에 다소 엄격한 제약 을가할 정도로 작습니다. 피하고 모델 일반화가 보장됩니다. 이러한 고려 사항을 통해 조사관은 퓨전 모델을 두 단계로 구성 할 것입니다. 1 단계는 도메인-특이 적 AI 모델을 사용한 독립적 인 처리를 통해 개별 양식으로부터 예측 변수의 추출을 포함한다. 이 단계는 각 양식이 별개의 처리 파이프 라인으로 만 가장 귀중한 정보를 생성 할 수 있으므로 필요합니다. 2 단계는 이러한 처리 된 양식의 융합을 포함합니다. 연구자들은 비교적 작은 표본 크기, 예측 변수의 높은 차원 및 누락 된 데이터 인스턴스를 수용하는 특수 퓨전 모델을 공식화 할 것입니다. 최종 모델은 도메인 별 Phase-1 출력의 강점을 활용하고 예측 정확도 향상을위한 통찰력을 결합합니다.

1 단계 : 양식 별 특징 추출. 신경 영상 및 다중 생물 양식의 경우, 조사관은 미리 훈련 된 모델을 활용하여 고차원 입력을 감소 된 유익한 기능 또는 임베딩 세트에 매핑 할 것입니다. 연구자는 각 데이터 세트를 기반으로 미세 조정 기초 모델로 시작한 다음 미리 훈련 된 및 미세 조정 된 기초 모델을 기능 추출기로 사용하여 양식 별 모델을 개발할 것입니다. EMG, EEG 및 모션 캡처 데이터와 같은 시계열 데이터의 경우 표준 및 사용자 정의 파생 절차를 모두 사용하여 노이즈를 필터링하고 적절한 예측 변수를 식별합니다. EMG로부터, 비 음성 매트릭스 인수화 및 최근에 제안 된 정류 된 잠재 변수 모델은 예비 결과 (아래 참조)에서 예측 뇌졸중 회복 정보를 포함하는 근육 시너지 지수를 추출하는 데 사용될 것입니다. EEG 및 EMG로부터,이 두 신호 사이의 일관성 (코르티코 근육질 일관성)과 EEG와 근육 시너지 활성화 (코르티코- 시너지 일관성) 사이의 일관성은 스펙트럼 분석을 통해 계산 될 것이다. 모션 캡처 데이터로부터, 공동 모션 범위와 같은 움직임 매개 변수는 표준 방법으로 추출 될 수 있습니다. 위의 모든 매개 변수는 2 단계에서 예측 변수로 사용됩니다.

2 단계 : AI 퓨전 모델. 조사자가 각 양식에서 예측 변수를 추출한 후, 연구자들은 각각의 치료 그룹에 대해 하나의 퓨전 모델과 각 임상 점수를 개발하여 A1 및 A2 점수의 예측을 위해 이러한 A0 예측 변수 입력을 통합합니다. 연구자들은 퓨전 모델에서 사용될 다양한 방법의 적합성에 대한 사전 정보가 없기 때문에 연구자들은 다양한 모델의 성능을 평가할 것입니다. 메타 학습이있는 인공 신경망은 풍부한 데이터 기능에서 배울 수있는 능력에 사용됩니다. 그들의 성능은 로지스틱 회귀, 베이지안 방법 및 임의의 숲과 같은 다른 모델에 대해 벤치마킹 될 것입니다. 각각의 처리 그룹에 대해, 퓨전 모델은 A1 및 A2에서의 점수 개선을 예측하기위한 입력으로 100 명의 피험자로부터의 표지 된 데이터를 사용하여 1 상 예측 변수에 대해 훈련 될 것이다.

현실적으로, 조사관은 최종 데이터베이스에 가끔 누락 된 데이터 포인트가있을 것으로 예상합니다. 연구자들은 상호 정보 기반의 대치 기술을 사용하여 누락 된 이종 값을 추정하여 이용 가능한 데이터를 최대한 활용하고 모델 교육의 편견을 방지 할 것입니다. 감도 분석은 모델 예측에 대한 누락 된 데이터의 영향을 평가하여 우리의 결과의 신뢰성을 보장합니다.

전체 시스템 구성 프로세스를 통해 연구자들은 1 상 특징 추출 및 2 단계 융합에 대한 다른 AI 알고리즘을 활용하고 비교할 것입니다. 사용 된 모델과 접근 방식은 테스트 성능 지표 및 임상 피드백을 기반으로 반복적으로 개선됩니다. 이전 임상 시나리오에서 권장 중재의 효과에 대한 후 향적 평가를 통해 역사적 데이터가 모델을 검증하는 데 사용됩니다.

추가 단계 : 의사 결정 프레임 워크 구축. 모든 주제에 대해, 치료-특이 적 모델의 2 상 결과 예측을 비교함으로써, 모델이 최고의 A2 개선을 산출하는 치료를 선택함으로써 단순히 대상에 대한 이상적인 개입을 이미 결정할 수있다. 그러나이 선택 과정은 투명하지 않습니다. 퓨전 모델은 많은 예측 변수가 어떻게 상호 작용하여 모델이 권장 처리에 집합 적으로 도착하도록 이끌어내는 방법을 명시 적으로 나타내지 않기 때문입니다. AI 시스템의 설명 성을 향상시키기 위해, 조사관은 Stinear 등의 임상 적으로 성공적인 준비 결정-트리 알고리즘과 유사한 중재 선택을 안내하는 명시 적 의사 결정 프레임 워크를 구성하기위한 3 단계를 구현할 것입니다. 분류기는 모든 피험자의 Phase-1 예측 변수 및 2 단계 점수 예측 (n = 400)과 입력으로 훈련 될 것이며, 2 단계 결과 비교로부터 추론 된 순위가 높은 중재 환경 설정은 출력으로서 훈련 될 것이다. 훈련 된 분류기는 의사 결정에 도달하는 데 필요한 가장 끔찍한 평가 세트를 드러내고 권장 사항 뒤에 투명한 추론을 제공하여 특정 대상이 각 치료에 할당되는 이유에 대한 이해를 높이는 의사 결정 지원 도구 역할을 할 수 있습니다. 해석 가능성을 극대화하기 위해 조사자는 변수 간의 복잡한 비선형 관계를 분별할 수있는 임의의 산림과 같은 의사 결정 트리 알고리즘을 구현합니다.