Исследователи из МIT разработали нейросеть, прогнозирующую течение болезни

Новая методология имитирует контрафактические, изменяющиеся во времени и динамические стратегии лечения, позволяя врачам выбирать лучшие подходы в терапии.

Официальный портал Массачусетского технологического университета опубликовал результаты новейшего исследования своих учёных о прогнозировании течения болезни:

"Когда дело доходит до стратегий лечения критически больных пациентов, клиницисты хотят иметь возможность рассмотреть все их варианты и сроки введения и принять оптимальное решение для своих пациентов. Хотя опыт и исследования клиницистов помогли им добиться успеха в этих вопросах, не все пациенты одинаковы, и решения о лечении в решающий момент могут означать разницу между улучшением состояния пациента и быстрым ухудшением. Поэтому было бы полезно, чтобы врачи могли взять предыдущее известное состояние здоровья пациента и полученное лечение и использовать его для прогнозирования результатов лечения этого пациента при различных сценариях лечения, чтобы выбрать лучший подход", - сказано в исследовании.

Теперь метод глубокого обучения, называемый G-Net, от исследователей из Массачусетского технологического института и IBM обеспечивает окно в причинно-следственное контрфактическое прогнозирование, предоставляя врачам возможность изучить, как пациент может жить в соответствии с различными планами лечения. Основой G-Net является алгоритм g-вычисления, метод причинно-следственного вывода, который оценивает влияние динамических воздействий в присутствии измеренных смешанных переменных — тех, которые могут влиять как на лечение, так и на результаты. В отличие от предыдущих реализаций фреймворка g-вычислений, в которых использовались подходы линейного моделирования, G-Net использует рекуррентные нейронные сети (RNN), которые имеют узловые связи, позволяющие им лучше моделировать временные последовательности со сложной и нелинейной динамикой, как те, которые встречаются в данных физиологических и клинических временных рядов. Таким образом, врачи могут разрабатывать альтернативные планы, основанные на истории болезни пациента, и тестировать их, прежде чем принимать решение.

«Наша конечная цель — разработать технику машинного обучения, которая позволила бы врачам изучать различные сценарии «что, если» и варианты лечения», — говорит Ли-вэй Леман, научный сотрудник МАССАЧУСЕТСКОГО технологического института в Институте медицинской инженерии и науки Массачусетского технологического института и руководитель проекта MIT-IBM Watson AI Lab. «Была проделана большая работа с точки зрения глубокого обучения для контрфактического прогнозирования, но она была сосредоточена на настройке точечного воздействия или статической, изменяющейся во времени стратегии лечения, которая не позволяет корректировать лечение по мере изменения истории пациента. Тем не менее, новый подход к прогнозированию ее команды обеспечивает гибкость плана лечения и шансы на изменение лечения с течением времени по мере изменения истории пациентов и прошлых методов лечения. G-Net является первым подходом глубокого обучения, основанным на g-вычислениях, который может прогнозировать как эффекты лечения на уровне популяции, так и на индивидуальном уровне в рамках динамических и изменяющихся во времени стратегий лечения».

Исследование было недавно опубликовано в Proceedings of Machine Learning Research.