Les chercheurs du MIT ont développé un modèle capable d'assimiler plusieurs types de données de santé d'un patient pour aider les médecins à prendre des décisions avec des informations incomplètes.

Le domaine de « l'analyse prédictive » est prometteur pour de nombreuses applications de soins de santé. Les modèles d'apprentissage automatique peuvent être entraînés pour rechercher des modèles dans les données des patients afin de prédire le risque de maladie ou de décès d'un patient en soins intensifs, pour aider à la prise en charge du sepsis, ou pour concevoir des schémas de chimiothérapie plus sûrs.

Le processus consiste à prédire les variables d'intérêt, comme le risque de maladie, à partir de variables connues, comme les symptômes, données biométriques, tests de laboratoire, et des scans corporels. Cependant, que les données des patients peuvent provenir de plusieurs sources différentes et sont souvent incomplètes. Par exemple, il peut inclure des informations partielles provenant d'enquêtes sur la santé sur le bien-être physique et mental, mélangées à des données très complexes comprenant des mesures de la fonction cardiaque ou cérébrale.

L'utilisation de l'apprentissage automatique pour analyser toutes les données disponibles pourrait aider les médecins à mieux diagnostiquer et traiter les patients. Mais la plupart des modèles ne peuvent pas gérer les données très complexes. D'autres ne parviennent pas à saisir toute l'étendue des relations entre les différentes variables de la santé, comme la façon dont les schémas respiratoires aident à prédire les heures de sommeil ou les niveaux de douleur.

Dans un article présenté à la conférence AAAI sur l'intelligence artificielle la semaine prochaine, Les chercheurs du MIT décrivent un réseau de neurones unique qui prend en entrée des données à la fois simples et très complexes. En utilisant les variables connues, le réseau peut alors remplir toutes les variables manquantes. Compte tenu des données de, dire, un signal d'électrocardiographie (ECG) d'un patient, qui mesure la fonction cardiaque, et le niveau de fatigue autodéclaré, le modèle peut prédire le niveau de douleur d'un patient, dont le patient pourrait ne pas se souvenir ou rapporter correctement.

Testé sur un véritable ensemble de données d'études sur le sommeil, qui contenait des enquêtes sur la santé, et ECG et d'autres signaux complexes - le réseau a atteint une précision de 70 à 80 pour cent dans la prédiction de l'une des huit variables manquantes, sur la base des sept autres variables connues.

Le réseau fonctionne en assemblant divers sous-modèles, chacune étant conçue pour décrire une relation spécifique entre les variables. Les sous-modèles partagent des données lorsqu'ils font des prédictions, et finalement produire une variable cible prédite. "Nous avons un réseau de modèles qui communiquent entre eux pour prédire ce que nous ne savons pas, en utilisant les informations que nous connaissons de ces différents types de données, " dit l'auteur principal Hao Wang, un post-doctorat au Laboratoire d'informatique et d'intelligence artificielle du MIT (CSAIL). "Si tu as, dire, huit types de données différents, et j'ai des informations complètes sur un patient de sept ans, la communication entre les modèles nous aidera à combler les lacunes manquantes dans le huitième type de données par rapport aux sept autres types."

Rejoindre Wang sur le papier sont Chengzhi Mao, un étudiant de premier cycle à l'Université Tsinghua; Doctorat CSAIL les étudiants Hao He et Mingmin Zhao; Dina Katabi, le professeur Andrew et Erna Viterbi de génie électrique et d'informatique au MIT et directeur du MIT Center for Wireless Networks and Mobile Computing; et Tommi S. Jaakkola, le professeur Thomas Siebel au Département de génie électrique et d'informatique et à l'Institut des données, Systèmes, et Société.

Prédictions bidirectionnelles

L'utilisation de modèles d'apprentissage automatique traditionnels pour analyser le nombre de variables que le réseau de chercheurs peut gérer est pratiquement infaisable, car le nombre de modèles évolue de manière exponentielle avec le nombre de variables.

"Nous avons demandé, « Est-il possible de concevoir un modèle unique qui peut utiliser tous ces groupes de données, malgré le fait que dans chaque groupe, nous ayons des informations différentes ?' », dit Wang.

L'innovation clé consistait à diviser le réseau en sous-modèles individuels, chacun conçu pour s'adapter à un type différent de données d'entrée. Un réseau de neurones est un réseau interconnecté de nœuds qui travaillent ensemble pour traiter des données complexes. Un nœud effectue des calculs relativement simples avant d'envoyer la sortie au nœud suivant. Dans les réseaux avec sous-modèles, cependant, chaque nœud peut fonctionner comme un réseau séparé qui peut gérer des calculs plus complexes. Les sous-modèles peuvent être beaucoup plus efficaces, selon l'application.

Dans leur travail, les chercheurs ont créé un sous-modèle probabiliste pour chaque sortie variable. Ils ont également développé une technique pour laisser les sous-modèles communiquer entre eux tout en faisant des prédictions, appelés réseaux d'inférence bidirectionnels (BIN). Cette technique s'appuie sur une technique d'entraînement de réseau de neurones connue sous le nom de rétropropagation. Dans la formation, la rétropropagation renvoie les erreurs de calcul via les nœuds pour mettre à jour les valeurs des paramètres du réseau. Mais cette technique n'est jamais utilisée dans les tests, surtout quand il y a des dépendances conditionnelles complexes impliquées. Au lieu, dans les tests traditionnels, les données saisies sont traitées de nœud en nœud dans une direction, jusqu'à ce qu'un nœud final à la fin de la séquence produise une prédiction.

Les chercheurs ont programmé leur réseau pour utiliser à la fois la méthode traditionnelle et la rétropropagation pendant les tests. Dans ce contexte, la rétropropagation prend essentiellement une sortie variable, puis prédire une entrée à partir de cette sortie, et envoyer la valeur d'entrée en arrière à un nœud précédent. Cela crée un réseau où tous les sous-modèles travaillent ensemble et dépendent les uns des autres, pour produire une probabilité cible.

Remplir les blancs

Les chercheurs ont formé leur réseau sur l'ensemble de données réel Sleep Heart Health Study 2 (SHHS2). Les données comprennent des lectures d'électroencéphalographie (EEG), qui mesurent la fonction cérébrale ; ECG ; et les signaux de respiration. Il comprend également des informations provenant d'une enquête sur la santé pour mesurer huit variables de santé, y compris le bien-être émotionnel, fonctionnement social, et énergie/fatigue – classés sur une échelle de 0 à 100.

Dans la formation, le réseau apprend des modèles pour la façon dont chaque variable peut affecter une autre. Par exemple, si quelqu'un retient son souffle pendant de longues périodes, ils peuvent être tendus, ce qui peut indiquer une douleur physique. En test, le réseau est capable d'analyser les relations pour prédire l'une des huit variables, sur la base de toute autre information, avec une précision de 70 à 80 pour cent.

Le réseau pourrait aider à quantifier des variables de santé parfois ambiguës pour les patients et les médecins, tels que les niveaux de douleur et de fatigue. Lorsque les patients dorment après la chirurgie, par exemple, ils peuvent se réveiller au milieu de la nuit avec des douleurs, mais peut ne pas se souvenir d'un niveau de douleur approprié le lendemain.

Prochain, les chercheurs espèrent implémenter le réseau en tant que composant logiciel pour un appareil qu'ils ont construit, appelé la radio EQ, qui peut suivre la respiration et la fréquence cardiaque d'une personne en utilisant uniquement des signaux sans fil. Actuellement, l'appareil analyse ces informations pour déduire si quelqu'un est heureux, en colère, ou triste. Avec le réseau, l'appareil pourrait potentiellement faire des prédictions mises à jour en permanence sur la santé d'un patient, passivement, donné que des informations partielles. « Cela pourrait être très utile dans les résidences-services, où les médecins peuvent surveiller les dimensions émotionnelles et physiques de la santé d'un patient toute la journée, tous les jours, " dit Wang.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.