Диагностика заболеваний с помощью ИИ может стать новой нормой в персонализированной медицине

Наше тело наполнено триллионами микроорганизмов, включая бактерии, грибы, паразиты и вирусы. В совокупности эти живые существа составляют наш микробиом, который формируется нашей ДНК, внешней средой и диетой.

Состав микробиома уникален для каждого человека и не только дает информацию о нашем текущем состоянии здоровья — даже о нашем эмоциональном благополучии — но также о том, насколько хорошо мы стареем и о вероятности развития хронических заболеваний в более позднем возрасте.

Используя искусственный интеллект (ИИ), ученые смогли связать состав кишечника человека с определенными заболеваниями, выведя персонализированную медицину на новый уровень.

Например, в прошлом году исследователи представили прогнозирующая модель на основе микробиома Это могло бы точно и неинвазивно предсказать диабет 2 типа и воспалительные заболевания кишечника (ВЗК), два повсеместных неинфекционных заболевания. Но эта модель не учитывала возможность сопутствующих заболеваний, что ограничивало ее практичность.

В условиях глобального сдвига в сторону старение населениявсе большее число людей живут с более чем одним хроническим заболеванием, и этот сценарий часто упускают из виду практикующие врачи.

Чтобы противостоять этой реальности, необходимы инструменты, которые облегчают обнаружение нескольких заболеваний одновременно, а также новый инструмент на базе искусственного интеллекта под названием Мета-Спецификация мог бы сделать именно это.

Персонализированный инструмент для оценки состояния здоровья

Meta-Spec, диагностический инструмент на основе искусственного интеллекта, разработанный исследователями из Китая и США, учитывает множество факторов, которые могут способствовать заболеванию, а не полагается исключительно на данные микробиома. Результатом является более тонкий и комплексный подход к обнаружению и прогнозированию заболеваний, чем то, что могут предложить в настоящее время другие модели.

Meta-Spec включает в себя легко собираемые данные о физическом состоянии и образе жизни, такие как диета, индекс массы тела и возраст. Эти детали являются частью «фенотипа» хозяина — набора наблюдаемых черт, которые проистекают из генов этого человека и окружающей среды.

«Используя возможности глубокого обучения и интегрируя их с данными микробиома, Meta-Spec предлагает заглянуть в будущее, где здравоохранение будет более персонализированным, более точным и, в конечном итоге, более эффективным», — заявил Сяоцюань Су, профессор биоинформатики в Университете Циндао. Колледж компьютерных наук и технологий и один из разработчиков Meta-Spec.

Этот многогранный подход значительно повышает точность модели скрининга заболеваний до такой степени, что она позволяет одновременно выявлять несколько заболеваний, если таковые имеются.

«В прошлом основное внимание уделялось выявлению отдельных заболеваний, часто упуская из виду сложное взаимодействие различных факторов, влияющих на наше здоровье», — сказал Шуньяо Ву, профессор информатики в Университете Циндао и член команды разработчиков Meta-Spec.

Обучение Meta-Spec обнаружению болезней

Meta-Spec классифицирует заболевания с помощью многозадачного глубокого обучения — метода машинного обучения, который использует искусственные нейронные сети для распознавания закономерностей. Через несколько разных «слоев» модель изучает эти закономерности в заданном наборе данных путем объединения различных микробных характеристик с данными о хозяине, полученными на основе анкет («метаданные»).

Это может варьироваться от того, как часто хозяину снятся яркие сны, до качества его дефекации. На основе этих данных модель учится связывать определенный образец микробиома с конкретным заболеванием и рассчитывает вероятность каждого заболевания.

Для обучения и проверки своей модели исследователи использовали данные с нескольких платформ с открытым исходным кодом, которые собирают образцы человеческого микробиома у добровольцев, в том числе Американский проект кишечника и Проект микробиома кишечника Гуандун.

В первом наборе данных у каждого пациента было диагностировано одно или несколько заболеваний, включая аутоиммунные заболевания, заболевания легких, заболевания щитовидной железы, рак, ВЗК, сердечно-сосудистые заболевания и расстройства аутистического спектра. Пациенты из второго набора данных страдали метаболическим синдромом, гастритом, диабетом 2 типа и/или подагрой.

Ключ к точности Meta-Spec

Для каждого набора данных Meta-Spec предсказал диагностированное заболевание точнее, чем традиционные методы машинного обучения. Когда учитывались только данные о микробиоме, и Meta-Spec, и модели, основанные на традиционных методах, работали намного хуже, демонстрируя, что дополнительная информация об образе жизни человека, включая, казалось бы, несвязанные детали, такие как то, как часто он чистит зубы ниткой, значительно улучшила прогнозирующую способность модели. производительность.

Чтобы дополнительно проверить возможности своей модели, исследователи разделили два набора данных на группу одного заболевания и группу сопутствующих заболеваний с одним или несколькими дополнительными заболеваниями. В этом случае модель также превзошла другие методы машинного обучения, ориентированные только на целевое заболевание.

Более высокий уровень точности Meta-Spec также можно объяснить его способностью ранжировать информацию. Определив, насколько данный микробиом или фенотипическая характеристика способствует развитию определенного заболевания, и присвоив ему значение, модель может установить важные ассоциации.

Например, было установлено, что возраст является наиболее важным фактором в выявлении сердечно-сосудистых заболеваний, которым более восприимчивы пожилые люди. Интересно, что с помощью этой функции ранжирования модель также связала искусственные подсластители, потребление морепродуктов и запоры с сердечно-сосудистыми заболеваниями.

Несмотря на свои достоинства, модель имеет и ограничения. «Чтобы поддерживать высокую производительность обнаружения, Meta-Spec необходим большой объем данных микробиома и метаданных хоста. Это общая проблема для подходов, основанных на глубоком обучении», — подчеркнул Су.

Чтобы компенсировать потенциальную нехватку данных, разработчики Meta-Spec создали гибридную модель, объединяющую данные когорт из США и Великобритании. Они обнаружили, что этот межгрупповой подход улучшил производительность модели, обученной только на локальных данных. Поскольку микробиом кишечника человека зависит от где они живут в миремногогрупповая модель могла бы помочь преодолеть географический разрыв.

По мнению разработчиков Meta-Spec, как только этот инструмент будет хорошо обучен экспертами, в не столь отдаленном будущем он может стать обычной частью посещения врача.

«Мы надеемся, что Meta-Spec можно будет применять в больницах или центрах медицинского обследования для прогнозирования заболеваний на ранних стадиях», — сказал нам Су. «Между тем, Meta-Spec может также помочь ученым-микробиомам в изучении взаимодействий хозяин-микроб и микроб-микроб при множестве заболеваний».

Со временем Meta-Spec может даже стать доступным в виде удобного приложения. «Пользователи могут загружать данные о микробиоме с любого компьютера, а результаты также могут отображаться в очень простой для понимания форме – точно так же, как ЧатGPT— сказал Су.

Ссылка: Ву и др., Встраивание переменных хозяина усиливает одновременное обнаружение множественных заболеваний на основе микробиома с помощью глубокого обученияПередовые интеллектуальные системы (2023 г.). DOI: 10.1002/aisy.202300342

Изображение предоставлено: Шубхам Дхаге на Unsplash