Использование систем ИИ для оптимизации клинического результата пациентов с инсультом

Поставленные 1: Обзор плана сбора данных. Собственные выжившие на подъеме (n = 400) будут набраны и случайным образом назначены одной из четырех групп, которые будут получать только обычную помощь в реабилитации, а также обычную уход, а также обучение иглоукалыванию, роботизированной или нервно -мышечной электрической стимуляции (NMES), соответственно. Каждый субъект будет оцениваться до (A0), после (A1) и через 6 месяцев после начала вмешательства (A2). В A0 будут проведены тщательные клинические, нейрофизиологические оценки (ЭЭГ, ЭМГ, ТМС), МРТ и на основе крови для получения маркеров предсказательного восстановления. В A1 и A2 только клинические оценки и EMG будут оцениваться для характеристики пост-похвалы функционального усиления и долгосрочного восстановления. Кроме того, во всех группах клинические оценки будут зарегистрированы в середине вмешательства (A½) для мониторинга прогресса лечения. Лечение продлится ≥1 месяца с ≥20 тренингами. Все данные A0, A1 и A2 будут проанализированы в автономном режиме с помощью машинного обучения и других методов, а затем используются для обучения модели искусственного интеллекта, Praise-HK (система AI Precision Rehabilitation для улучшения восстановления в Гонконге и за его пределами).

Поставленные 2: Объяснимые модели восстановления искусственного интеллекта. Обзор. Наша система ИИ получает высокоразмерные входные данные от различных методов, каждый из которых требует уникальных методов обработки, адаптированных к конкретным характеристикам типа данных для анализа. Например, данные нейровизуализации требуют специализированных алгоритмов обработки изображений для получения структурных и функциональных измерений мозга, в то время как данные временных рядов, такие как ЭЭГ и ЭМГ, должны сначала анализироваться с помощью инструментов обработки сигналов, которые собирают встроенные закономерности в разных временных разрешениях. Необходимость в доменной предварительной обработке разнообразных типов данных порождает уровень аналитической сложности, который бросает вызов стандартным методам глубокого обучения, которые могут не соответствовать уникальным проблемам, представленным каждым методом. Чтобы получить действенную, клинически значимую информацию, обеспечивая при этом интерпретацию и интеграцию мультимодальных данных, необходимы более сложные алгоритмы, помимо стандартного глубокого обучения.

Таким образом, исследователи предлагают построение сложной модели слияния ИИ как ядра похвалы-ХК. Fusion Model - это подход машинного обучения, который интегрирует входные функции из нескольких модальностей данных таким образом, чтобы использовать их уникальный вклад, чтобы сделать прогноз более точным и надежным, чем любая единая модальность. Хотя количество субъектов здесь (n = 400), насколько нам известно, является самым высоким среди всех аналогичных исследований, для высокомерных данных это число достаточно мало, чтобы наложить довольно строгие ограничения на выбор аналитических методов. Будьте избегать, и модельное обобщение обеспечено. С этими соображениями исследователи будут построить нашу модель слияния в два этапа. Фаза 1 включает извлечение предикторов из отдельных модальностей посредством их независимой обработки с доменными моделями ИИ. Этот этап необходим, поскольку каждая модальность может дать самую ценную информацию только с различными трубопроводами обработки. Фаза 2 включает в себя слияние этих обработанных методов. Исследователи будут сформулировать специализированную модель слияния, которая соответствует относительно небольшому размеру выборки, высокой размерности предикторов и потенциальными случаями отсутствующих данных. Окончательная модель будет извлечь выгоду из сильных сторон, специфичных для домена выходов фазы 1 и объединить их идеи для повышения точности прогнозирования.

Фаза 1: Модально-специфическая извлечение функций. Для методов нейровизуализации и мультиамики исследователи будут использовать предварительно обученные модели для отображения высокоразмерных входов с уменьшенным набором информативных функций или встраиваний. Исследователи начнут с моделей Fine-Foundation Foundation, основанных на каждом наборе данных, а затем разработают модели, специфичные для модальности, используя предварительно обученные и тонкие модели фундамента в качестве экстракторов функций. Для данных временных рядов, таких как EMG, EEG и данные о захвате движения, для фильтрации шума будут использоваться как стандартные, так и индивидуальные процедуры. Из EMG не связующая факторизация матрикса и наша недавно предложенная выпрямленная модель скрытой переменной будут использоваться для извлечения индексов мышечной синергии, которые, по нашему предварительным результатам (см. Ниже), содержат предсказательную информацию о восстановлении инсульта. Из ЭЭГ и ЭМГ когерентность между этими двумя сигналами (кортико-мышечная когерентность) и то, что между ЭЭГ и активациями мышечной синергии (когерентность кортико-синергии) будет рассчитана с помощью спектрального анализа. Из данных охвата движения параметры движения, такие как диапазон движения соединения, могут быть извлечены стандартными методами. Все параметры выше будут использоваться в качестве предикторов на фазе 2.

Фаза 2: модель слияния ИИ. После того, как исследователи извлекли предикторы из каждой модальности, исследователи разработают модель слияния, по одному для каждой группы лечения и каждой клинической оценки, которая интегрирует эти предикторы A0 для прогнозирования показателей A1 и A2. Поскольку исследователи не имеют предварительной информации о пригодности различных методов, которые будут использоваться в моделях Fusion, исследователи будут оценивать производительность различных моделей. Искусственные нейронные сети с мета-обучением будут использоваться для их способности учиться на богатом наборе функций данных. Их производительность будет сопоставлена ​​с другими моделями, такими как логистическая регрессия, байесовские методы и случайные леса, методы, которые выгодны для небольших наборов данных, таких как наши. Для каждой группы лечения модель слияния будет обучаться на предикторах фазы 1 с мечеными данными от 100 субъектов в качестве входных данных, чтобы предсказать улучшения баллов при A1 и A2.

Реально, следователи ожидают, что наша окончательная база данных будет случайными отсутствующими точками данных. Исследователи будут использовать методы вменения взаимной информации для оценки пропущенных гетерогенных значений, тем самым полностью используя доступные данные и предотвращая смещения при обучении модели. Анализ чувствительности будет проведен для оценки влияния недостающих данных на прогнозы модели, что обеспечивает надежность наших результатов.

В рамках всего процесса строительства системы исследователи будут использовать и сравнивать различные алгоритмы ИИ для извлечения функций-1 и слияния фазы 2. Используемые модели и подходы будут итеративно уточнены на основе метриков тестовой эффективности и клинической обратной связи. Исторические данные будут использоваться для проверки моделей посредством ретроспективной оценки эффективности рекомендуемых вмешательств в предыдущих клинических сценариях.

Дополнительная фаза 3: строительная структура принятия решений. Для каждого субъекта, сравнивая прогнозы результата фазы 2 по моделям специфичных для лечения, можно уже принять решение о идеальном вмешательстве для субъекта, просто выбрав лечение, модель которой придает лучшее улучшение A2. Но этот процесс отбора не является прозрачным, потому что модели слияния явно не указывают, как многие предикторы взаимодействуют, чтобы привести к моделям коллективно прийти к рекомендуемому лечению. Чтобы улучшить объяснение системы ИИ, следователи будут реализовать фазу 3 для построения явной структуры принятия решений, которая направляет выбор вмешательства, один аналогичный клинически успешному алгоритму решающему дричим PrEP STINEAR et al. Классификатор будет обучен предикторам фазы-1 и прогнозам показателя-2 фазы всех всех субъектов (n = 400), служащих в качестве входных данных, и ранжированные предпочтения вмешательства, выведенные из сравнения результатов фазы 2 в качестве результатов. Обученный классификатор может служить инструментом поддержки принятия решений, который раскрывает наиболее экономный набор оценок, необходимых для принятия решений, и дает прозрачные рассуждения, стоящие за его рекомендациями, тем самым улучшая наше понимание того, почему конкретные субъекты назначаются каждому лечению. Чтобы максимизировать интерпретацию, следователи будут реализовать алгоритмы решетков, такие как случайные леса, которые способны проницательные сложные, нелинейные отношения между переменными.