机器学习方法显示神经退行性疾病可以在新发现的模式中进展

神经退行性疾病 - 如肌萎缩性侧索硬化症(ALS，或Lou Gehrig病)，阿尔茨海默氏症和帕金森氏症 - 是复杂的慢性疾病，可以呈现各种症状，以不同的速度恶化，并且有许多潜在的遗传和环境原因，其中一些是未知的。特别是ALS影响自愿肌肉运动，并且总是致命的，但是虽然大多数人在诊断后只能存活几年，但其他人患有这种疾病几十年。ALS的表现也可能有很大差异;通常，疾病发展缓慢与四肢发病和影响精细运动技能相关，而更严重的延髓 ALS 会影响吞咽、说话、呼吸和活动能力。因此，了解ALS等疾病的进展对于临床试验的招募，潜在干预措施的分析和根本原因的发现至关重要。

然而，评估疾病演变远非简单。目前的临床研究通常假设健康状况在症状评级量表上呈向下线性轨迹下降，并使用这些线性模型来评估药物是否正在减缓疾病进展。然而，数据表明，ALS通常遵循非线性轨迹，症状稳定的时期与症状快速变化的时期交替出现。由于数据可能很少，并且健康评估通常依赖于在不均匀的时间间隔内测量的主观评级指标，因此很难在患者群体之间进行比较。这些异构数据和进展反过来又使发明有效性分析复杂化，并可能掩盖疾病起源。

现在，由麻省理工学院，IBM研究院和其他地方的研究人员开发的一种新的机器学习方法旨在更好地表征ALS疾病进展模式，为临床试验设计提供信息。

“有一群人分享进展模式。例如，有些似乎具有非常快速进展的ALS，而另一些则具有随时间变化的缓慢进展的ALS，“麻省理工学院的研究专家Divya Ramamoorthy博士说，他是本月发表在《自然计算科学》上的一篇关于这项工作的新论文的主要作者。“我们要问的问题是：我们能否使用机器学习来确定是否存在以及在多大程度上存在这些类型的个体一致模式?”

事实上，他们的技术确定了ALS进展中离散而稳健的临床模式，其中许多是非线性的。此外，这些疾病进展亚型在患者群体和疾病指标中是一致的。该团队还发现，他们的方法也可以应用于阿尔茨海默氏症和帕金森病。

加入拉马穆尔西论文的是麻省理工学院-IBM沃森人工智能实验室成员欧内斯特·弗兰克尔，麻省理工学院生物工程系教授;IBM研究院的研究科学家苏米亚·戈什;以及IBM研究院的首席研究科学家肯尼·吴。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！