I ricercatori del MIT hanno sviluppato un modello in grado di assimilare più tipi di dati sanitari di un paziente per aiutare i medici a prendere decisioni con informazioni incomplete.

Il campo dell'"analisi predittiva" è promettente per molte applicazioni sanitarie. I modelli di apprendimento automatico possono essere addestrati per cercare modelli nei dati dei pazienti per prevedere il rischio di malattia o morte di un paziente in terapia intensiva, per aiutare nella cura della sepsi, o per progettare regimi chemioterapici più sicuri.

Il processo prevede la previsione di variabili di interesse, come il rischio di malattie, da variabili note, come sintomi, dati biometrici, test di laboratorio, e scansioni del corpo. Però, che i dati dei pazienti possono provenire da diverse fonti e sono spesso incompleti. Per esempio, potrebbe includere informazioni parziali da indagini sanitarie sul benessere fisico e mentale, mescolato con dati altamente complessi comprendenti misurazioni della funzione cardiaca o cerebrale.

L'utilizzo dell'apprendimento automatico per analizzare tutti i dati disponibili potrebbe aiutare i medici a diagnosticare e curare meglio i pazienti. Ma la maggior parte dei modelli non è in grado di gestire i dati altamente complessi. Altri non riescono a catturare l'intera portata delle relazioni tra le diverse variabili di salute, come il modo in cui i modelli di respirazione aiutano a prevedere le ore di sonno o i livelli di dolore.

In un documento presentato alla Conferenza AAAI sull'intelligenza artificiale la prossima settimana, I ricercatori del MIT descrivono una singola rete neurale che accetta come input sia dati semplici che molto complessi. Utilizzando le variabili note, la rete può quindi riempire tutte le variabili mancanti. Dati dati da, dire, un segnale elettrocardiografico (ECG) del paziente, che misura la funzione cardiaca, e livello di affaticamento auto-riferito, il modello può prevedere il livello di dolore di un paziente, che il paziente potrebbe non ricordare o riportare correttamente.

Testato su un vero set di dati di studio del sonno, che conteneva sondaggi sulla salute, ed ECG e altri segnali complessi:la rete ha raggiunto un'accuratezza del 70-80% nel prevedere una qualsiasi delle otto variabili mancanti, sulla base delle altre sette variabili note.

La rete funziona cucendo insieme vari sottomodelli, ciascuno su misura per descrivere una relazione specifica tra le variabili. I sottomodelli condividono i dati mentre fanno previsioni, e infine produrre una variabile target prevista. "Abbiamo una rete di modelli che comunicano tra loro per prevedere ciò che non sappiamo, utilizzando le informazioni che conosciamo da questi diversi tipi di dati, ", afferma l'autore principale Hao Wang, un postdoc presso il MIT Computer Science and Artificial Intelligence Laboratory (CSAIL). "Se hai, dire, otto diversi tipi di dati, e ho tutte le informazioni su un paziente di sette anni, la comunicazione tra i modelli ci aiuterà a colmare le lacune mancanti nell'ottavo tipo di dati dagli altri sette tipi."

Insieme a Wang sulla carta ci sono Chengzhi Mao, uno studente universitario alla Tsinghua University; Dottorato CSAIL gli studenti Hao He e Mingmin Zhao; Dina Katabi, l'Andrew ed Erna Viterbi Professore di Ingegneria Elettrica e Informatica al MIT e direttore del Centro per le reti wireless e l'informatica mobile del MIT; e Tommi S. Jaakkola, il Thomas Siebel Professor presso il Dipartimento di Ingegneria Elettrica e Informatica e l'Institute for Data, Sistemi, e Società.

Previsioni bidirezionali

L'utilizzo di modelli tradizionali di apprendimento automatico per analizzare il numero di variabili che la rete di ricercatori può gestire è praticamente impossibile, perché il numero di modelli scala esponenzialmente con il numero di variabili.

"Noi abbiamo chiesto, "È possibile progettare un unico modello in grado di utilizzare tutti questi gruppi di dati, nonostante il fatto che in ogni gruppo abbiamo informazioni diverse?'", dice Wang.

L'innovazione chiave è stata suddividere la rete in singoli sottomodelli, ciascuno su misura per adattarsi a un diverso tipo di dati di input. Una rete neurale è una rete interconnessa di nodi che lavorano insieme per elaborare dati complessi. Un nodo esegue calcoli relativamente semplici prima di inviare l'output al nodo successivo. Nelle reti con sottomodelli, però, ogni nodo può funzionare come una rete separata in grado di gestire calcoli più complessi. I sottomodelli possono essere molto più efficienti, a seconda dell'applicazione.

Nel loro lavoro, i ricercatori hanno creato un sottomodello probabilistico per ogni output variabile. Hanno anche sviluppato una tecnica per consentire ai sottomodelli di comunicare tra loro mentre fanno previsioni, chiamate Reti di Inferenza Bidirezionali (BIN). Questa tecnica sfrutta una tecnica di addestramento della rete neurale nota come backpropagation. In allenamento, backpropagation invia gli errori di calcolo indietro attraverso i nodi per aggiornare i valori dei parametri della rete. Ma questa tecnica non viene mai utilizzata nei test, soprattutto quando sono coinvolte dipendenze condizionali complesse. Anziché, nei test tradizionali, i dati immessi vengono elaborati da nodo a nodo in una direzione, fino a quando un nodo finale alla fine della sequenza emette una previsione.

I ricercatori hanno programmato la loro rete per utilizzare sia il metodo tradizionale che la retropropagazione durante i test. In tale contesto, la retropropagazione sta fondamentalmente prendendo un output variabile, quindi prevedere un input da quell'output, e inviando il valore di input a un nodo precedente. Questo crea una rete in cui tutti i sottomodelli lavorano insieme e dipendono l'uno dall'altro, per produrre una probabilità obiettivo.

Riempire gli spazi vuoti

I ricercatori hanno addestrato la loro rete sul set di dati del mondo reale Sleep Heart Health Study 2 (SHHS2). I dati includono letture dell'elettroencefalografia (EEG), che misurano la funzione cerebrale; elettrocardiogramma; e segnali di pattern di respirazione. Include anche informazioni provenienti da un sondaggio sulla salute per misurare otto variabili di salute, tra cui il benessere emotivo, funzionamento sociale, ed energia/fatica, classificati su una scala da 0 a 100.

In allenamento, la rete apprende i modelli di come ogni variabile può influenzare un'altra. Ad esempio, se qualcuno trattiene il respiro per lunghi periodi, possono essere tesi, che può indicare dolore fisico. Nella prova, la rete è in grado di analizzare le relazioni per prevedere una qualsiasi delle otto variabili, sulla base di una qualsiasi delle altre informazioni, con una precisione del 70-80%.

La rete potrebbe aiutare a quantificare variabili sanitarie a volte ambigue per pazienti e medici, come i livelli di dolore e affaticamento. Quando i pazienti dormono dopo l'intervento chirurgico, ad esempio, possono svegliarsi nel cuore della notte con dolore, ma potrebbe non ricordare un livello di dolore appropriato il giorno successivo.

Prossimo, i ricercatori sperano di implementare la rete come componente software per un dispositivo che hanno costruito, chiamata EQ Radio, che può monitorare la respirazione e la frequenza cardiaca di qualcuno utilizzando solo segnali wireless. Attualmente, il dispositivo analizza tali informazioni per dedurre se qualcuno è felice, arrabbiato, o triste. Con la rete, il dispositivo potrebbe potenzialmente fare previsioni continuamente aggiornate sulla salute di un paziente, passivamente, fornite solo informazioni parziali. "Questo potrebbe essere molto utile nelle strutture di assistenza sanitaria, dove i medici possono monitorare le dimensioni emotive e fisiche della salute di un paziente tutto il giorno, ogni giorno, " dice Wang.

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.