Мультимодальное машинное обучение в точном здравоохранении: обзор объема

npj Digital Medicine, том 5, Номер статьи: 171 (2022) Цитировать эту статью

18 тысяч доступов

19 цитат

47 Альтметрика

Подробности о метриках

Машинное обучение часто используется для решения проблем в секторе здравоохранения, в том числе для поддержки принятия клинических решений. Его использование исторически было сосредоточено на одномодальных данных. Попытки улучшить прогнозирование и имитировать мультимодальный характер принятия решений клиническими экспертами были встречены в биомедицинской области машинного обучения путем объединения разрозненных данных. Этот обзор был проведен для того, чтобы подвести итоги текущих исследований в этой области и определить темы, созревшие для будущих исследований. Мы провели этот обзор в соответствии с расширением PRISMA для обзорных обзоров, чтобы охарактеризовать мультимодальное объединение данных в области здравоохранения. Строки поиска были установлены и использовались в базах данных: PubMed, Google Scholar и IEEEXplore с 2011 по 2021 год. В анализ был включен окончательный набор из 128 статей. Наиболее распространенными областями здравоохранения, в которых применялись мультимодальные методы, были неврология и онкология. Раннее объединение было наиболее распространенной стратегией объединения данных. Примечательно, что при использовании объединения данных произошло улучшение производительности прогнозирования. В документах отсутствовали четкие стратегии клинического внедрения, одобрение FDA и анализ того, как использование мультимодальных подходов из различных подгрупп населения может уменьшить предвзятости и неравенство в здравоохранении. Эти результаты представляют собой краткое изложение мультимодального объединения данных применительно к проблемам диагностики/прогноза здоровья. В нескольких статьях сравнивались результаты мультимодального подхода с унимодальным прогнозом. Тем не менее, те, кто это сделал, достигли среднего увеличения точности прогнозов на 6,4%. Мультимодальное машинное обучение, хотя и более надежное в своих оценках по сравнению с унимодальными методами, имеет недостатки в плане масштабируемости и трудоемкости конкатенации информации.

Поддержка клинических решений уже давно является целью тех, кто внедряет алгоритмы и машинное обучение в сфере здравоохранения1,2,3. В примерах алгоритмической поддержки принятия решений используются значения лабораторных тестов, протоколы визуализации или клинические показатели (результаты физического осмотра)4,5. Некоторые диагнозы здоровья могут быть поставлены на основе одного лабораторного значения или одного порогового значения, например, при диабете у пожилых людей6. Другие диагнозы основаны на совокупности признаков, симптомов, лабораторных показателей и/или подтверждающих изображений и называются клиническим диагнозом. Часто эти клинические диагнозы основаны на аддитивных системах оценки, которые требуют сочетания положительных и отрицательных признаков перед подтверждающей маркировкой.

Образ действия клинического диагноза может не учитывать относительный вес этих разрозненных входных данных и потенциально нелинейные взаимосвязи, подчеркивающие ограничения способности человека принимать решения. Сила алгоритмической поддержки принятия решений заключается в том, что ее можно использовать для разгрузки таких задач, что в идеале дает более успешный результат. Это обещание точной медицины. Прецизионная медицина/здравоохранение направлена ​​на создание медицинской модели, которая адаптирует здравоохранение (решения, методы лечения, практики и т. д.) с учетом индивидуального фенотипа или фенотипа пациента7. Это включает в себя отслеживание траекторий здоровья пациентов в продольном направлении8, часто с использованием генетики/эпигенетики9,10 и математического моделирования11, когда диагнозы и методы лечения включают эту уникальную информацию12. Сравните это с моделью «один препарат подходит всем», где для каждого заболевания применяется одно лекарство. Рисунок 1 иллюстрирует поток информации из больниц/центров по уходу, которые генерируют разрозненные данные. Именно благодаря компьютерному моделированию и объединению информации интересующие результаты, такие как цели в отношении лекарств и лечения, в конечном итоге способствуют более эффективному принятию решений на уровне пациентов в этих медицинских центрах. Это явление вызвало интерес к исследованиям синтеза с использованием данных здравоохранения.

Информация циклически перемещается из медицинских центров в информационные хранилища, где ее можно преобразовать и выполнить алгоритмическое моделирование. Эти алгоритмы дают представление о многих различных результатах в отношении здоровья, таких как клинические испытания, фенотипирование, открытие лекарств и т. д. Эти данные должны вернуться в медицинские центры и практикующие врачи, чтобы обеспечить наиболее эффективную, доказательную медицину.