Az Neumann Társaság blogja a legfejlettebb infokom technológiákról

Jelenből a Jövőbe

Jelenből a Jövőbe

Gépi tanulással sokkal jobbak a klinikai gyógyszertesztek

2017. november 21. - ferenck

Gépi tanulással pontosabban felmérhető új gyógyszerek hatása az agyra, és lehetővé válik, hogy a szakemberek hagyományos statisztikai tesztekkel kimutathatatlan mellékhatásokat is észrevegyenek – állapították meg a University College London (UCL) Neurológiai Intézetének kutatói.

A ma elterjedt statisztikai módszerek ugyanis túl egyszerűek, képtelenek megragadni az emberek közötti bonyolult biológiai különbségeket, szimpla zajként, hasznos információhoz hozzáadódó felesleges jelként azonosítva azokat. Valószínűleg ezzel magyarázható, hogy sok gyógyszerteszt állatokon működik, az emberi agyon viszont már nem.

klinikaiteszt0.jpg

Ha tényleg így van, akkor az emberi agyat teljes komplexitásában modellező gépi tanulással korábban észrevétlen gyógyszerhatások is kimutathatók.

Az elméletet tesztelendő, a kutatók szélütéses páciensekre vonatkozó hatalmas adatmennyiséget vizsgáltak, és a betegek károsult agyáról gyűjtöttek anatómiai mintákat. Ezek aztán a stroke-ot feldolgozó eddigi legnagyobb anatómiai képgyűjteménnyé terebélyesedtek.

klinikaiteszt.jpg

A kutatók hipotetikus gyógyszersorok nagyléptékű elemzését szimulálták, hogy lássák a gyógyszeres kezelés hagyományos statisztikai analízis számára észrevétlen, gépi tanulással viszont azonosítható hatásait. Az új technika a stroke-ot többezer változóval leírható „ujjlenyomatként” kezeli, és anatómiailag nagy felbontásban vizsgálja az egész agyat, hogy érte-e valahol károsodás. A bevett tesztek sokkal kevesebb és általánosabb, pontatlanabb változókkal, például a károsodás méretével dolgoznak csak, nem véve figyelembe például, hogy mennyire kritikus helyen található az. Nem meglepő módon a gépi tanuláson alapuló módszer részletesebben mutatta ki a kezelés hatását, sőt, olyan esetekben is kimutatta, amelyekben statisztikus eljárással nem láttak semmit.

A gépi tanulásos megközelítés előnye különösen akkor tűnt fel, amikor a sérült terület méretét csökkentő beavatkozást vizsgálták. Hagyományos modellekkel átlagban 78,4 százalékkal kellett csökkenteni, hogy megállapítsák, volt-e hatás vagy sem. Az új modellel viszont 55 százalékos méretzsugorítás is elegendőnek bizonyult, azaz az érintett agyterület közel felét megóvták. A különbség annak ellenére jelentős, hogy a beteg viselkedésében sajnos nem mutatható ki egyértelműen.

A gépi tanulás különleges értékét egyébként nem az automatizálásban, hanem nagyon összetett döntések formalizálásában, a klinikai orvos intuícióinak, rugalmasságának és a statisztika formalizmusának kombinációjában látják, és ezért nélkülözhetetlen rendkívül komplex rendszerek, mint például az emberi agy tanulmányozásához.

A bejegyzés trackback címe:

https://jelenbolajovobe.blog.hu/api/trackback/id/tr1613312633

Kommentek:

A hozzászólások a vonatkozó jogszabályok  értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai  üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a  Felhasználási feltételekben és az adatvédelmi tájékoztatóban.

Nincsenek hozzászólások.
süti beállítások módosítása