Bruke AI -systemer for å optimalisere det kliniske resultatet av hjerneslagpasienter

Leverbar 1: Oversikt over datainnsamlingsplan. Subacute Stroke Survivors (n = 400) vil bli rekruttert og tilfeldig tildelt en av fire grupper, som kun vil motta vanlig rehabilitering, og vanlig pleie pluss akupunktur, robot eller neuromuskulær elektrisk stimulering (NME). Hvert individ vil bli evaluert før (A0), etter (A1) og 6 måneder etter intervensjonsstart (A2). Ved A0 vil grundig klinisk, nevrofysiologisk (EEG, EMG, TMS), MR og blodbaserte vurderinger bli gjort for å utlede prediktive utvinningsmarkører. Ved A1 og A2 vil bare de kliniske score og EMG bli vurdert for å karakterisere funksjonell forsterkning etter rehabilitering og langsiktig utvinning. I alle grupper vil kliniske score også bli registrert midtveis i intervensjon (A½) for å overvåke fremdriften i behandlingen. Behandlingene vil vare ≥1 måned med ≥20 treningsøkter. Alle A0-, A1- og A2-data vil bli analysert offline med maskinlæring og andre metoder, og deretter brukt til å trene AI-modellen, Praise-HK (Precision Rehabilitation AI-system for å forbedre utvinning i Hong Kong og utover).

Leverbar 2: Forklarbare AI -modeller for utvinning. Oversikt. Vårt AI-system mottar høydimensjonale datainnganger fra forskjellige modaliteter, som hver krever unike prosesseringsteknikker tilpasset de spesifikke egenskapene til datatypen for analyse. Nevroimaging -data krever for eksempel spesialiserte bildebehandlingsalgoritmer for å hente hjernestrukturelle og funksjonelle tiltak, mens tidsseriedata som EEG og EMG først må analyseres med signalbehandlingsverktøy som fanger innebygde mønstre på tvers av varierende tidsmessige oppløsninger. Behovet for domenespesifikk forbehandling av forskjellige datatyper gir et nivå av analytisk kompleksitet som trosser standard dyp læringsteknikker, som kanskje ikke rommer de unike utfordringene som er presentert av hver modalitet. For å oppnå handlingsbart, klinisk relevant innsikt mens du sikrer tolkbarhet og integrering av multimodale data, er det nødvendig med mer sofistikerte algoritmer utover standard dyp læring.

Som sådan foreslår etterforskerne bygging av en sofistikert AI-fusjonsmodell som kjernen i ros-HK. Fusion Model er en maskinlæringsmetode som integrerer inngangsfunksjoner fra flere datamodaliteter på en måte som utnytter deres unike bidrag for å gjøre en prediksjon mer nøyaktig og robust enn noen enkelt modalitet kan gi. Selv om antallet fag her (n = 400) er, så vidt vi vet, er det høyeste blant alle lignende studier, for høydimensjonale data, dette tallet er lite nok til å pålegge ganske strenge begrensninger for valg av analysemetoder bør overmasse unngås, og modellgeneralisering sikret. Med disse hensynene vil etterforskerne konstruere vår fusjonsmodell i to faser. Fase 1 involverer ekstraksjon av prediktorer fra de individuelle modalitetene gjennom deres uavhengige prosessering med domenespesifikke AI-modeller. Denne fasen er nødvendig siden hver modalitet kan gi den mest verdifulle informasjonen bare med distinkte prosesseringsrørledninger. Fase 2 involverer fusjon av disse bearbeidede modalitetene. Etterforskerne vil formulere en spesialisert fusjonsmodell som imøtekommer den relativt lille prøvestørrelsen, prediktorenes høye dimensjonalitet og potensielle forekomster av manglende data. Den endelige modellen vil utnytte styrkene til de domenespesifikke fase-1-utgangene og kombinere deres innsikt for forbedret prediksjonsnøyaktighet.

Fase 1: Modalitetsspesifikke funksjonsekstraksjoner. For nevroimaging og multi-OMIC-modaliteter vil etterforskerne utnytte forhåndsutdannede modeller for å kartlegge høydimensjonale innganger til et redusert sett med informative funksjoner eller innebygde. Etterforskerne vil starte med å finjustere foundation-modeller basert på hvert datasett, og deretter utvikle modalitetsspesifikke modeller ved å bruke de forhåndsutdannede og finjusterte foundation-modeller som funksjonsekstraktører. For tidsserie-data som EMG, EEG og bevegelsesfangstdata, vil både standard- og tilpassede avledede prosedyrer bli brukt til å filtrere støy og identifisere passende prediktorer. Fra EMG vil ikke-negativ matrisefaktorisering og vår nylig foreslåtte utbedrede latente variable modell bli brukt til å trekke ut muskelsynergiindekser, som fra våre foreløpige resultater (se nedenfor) inneholder prediktiv informasjon om gjenoppretting av hjerneslag. Fra EEG og EMG vil sammenheng mellom disse to signalene (kortiko-muskuløs sammenheng) og at mellom EEG og muskelsynergi-aktiveringer (kortiko-synergi koherens) bli beregnet gjennom spektralanalyse. Fra bevegelsesfangstdata kan bevegelsesparametere som felles bevegelsesområde trukket ut med standardmetoder. Alle parametere ovenfor vil bli brukt som prediktorer i fase 2.

Fase 2: AI -fusjonsmodell. Når etterforskerne har trukket ut prediktorene fra hver modalitet, vil etterforskerne utvikle en fusjonsmodell, en for hver behandlingsgruppe og hver kliniske poengsum, som integrerer disse A0 -prediktorinngangene for en prediksjon av A1- og A2 -score. Siden etterforskerne ikke har tidligere informasjon om egnetheten til de forskjellige metodene som skal brukes i fusjonsmodeller, vil etterforskerne evaluere ytelsen til forskjellige modeller. Kunstige nevrale nettverk med metalisering vil bli brukt til deres evne til å lære av et rikt sett med datafunksjoner. Deres ytelse vil bli benchmarked mot andre modeller som logistisk regresjon, Bayesiske metoder og tilfeldige skoger, metoder som er fordelaktige for mindre datasett som våre. For hver behandlingsgruppe vil fusjonsmodellen bli opplært på fase-1-prediktorene med de merkede dataene fra de 100 forsøkspersonene som innganger for å forutsi poengforbedringene ved A1 og A2.

Realistisk sett forventer etterforskerne at vår endelige database vil ha sporadiske manglende datapunkter. Etterforskerne vil benytte gjensidige informasjonsbaserte imputasjonsteknikker for å estimere manglende heterogene verdier, og dermed utnytte tilgjengelige data fullt ut og forhindre skjevheter i modelltrening. Følsomhetsanalyser vil bli utført for å vurdere virkningen av de manglende dataene på modellspådommer, og dermed sikre påliteligheten til funnene våre.

Gjennom hele systembyggingsprosessen vil etterforskerne bruke og sammenligne forskjellige AI-algoritmer for fase-1-funksjonsekstraksjoner og fase-2-fusjon. Modellene og tilnærmingene som brukes vil bli iterativt foredlet basert på testytelsesmålinger og kliniske tilbakemeldinger. Historiske data vil bli brukt til å validere modellene gjennom retrospektiv vurdering av effektiviteten av de anbefalte intervensjonene i tidligere kliniske scenarier.

Ytterligere fase 3: Byggende beslutningsrammer. For hvert individ, ved å sammenligne fase-2-utfallsforutsigelsene på tvers av de behandlingsspesifikke modellene, kan man allerede bestemme seg for et ideelt inngrep for emnet bare ved å velge behandlingen hvis modell gir den beste A2-forbedringen. Men denne utvelgelsesprosessen er ikke gjennomsiktig, fordi fusjonsmodellene ikke eksplisitt indikerer hvordan de mange prediktorene samhandler for å lede modellene til å samlet komme frem til den anbefalte behandlingen. For å forbedre AI-systemets forklaring, vil etterforskerne implementere en fase 3 for å konstruere et eksplisitt beslutningsrammeverk som guider intervensjonsvalg, en analog med den klinisk vellykkede Prep Decision-Tree-algoritmen til Stinear et al. En klassifiserer vil bli opplært med fase-1-prediktorene og fase-2-poengsumspådommene til alle forsøkspersoner (n = 400) som fungerer som innganger, og de rangerte intervensjonspreferansene utledet fra fase-2-utfallssammenligning som utganger. Den trente klassifisereren kan tjene som et beslutningsstøtteverktøy som avslører det mest analysøse settet med evalueringer som er nødvendige for å ta beslutninger, og gir transparent resonnement bak anbefalingene, og dermed forbedrer vår forståelse av hvorfor bestemte fag blir tildelt hver behandling. For å maksimere tolkbarheten, vil etterforskerne implementere beslutnings-tre-algoritmer som de tilfeldige skogene, som er i stand til å skille kompleks, ikke-lineære forhold mellom variablene.