Болезнь Альцгеймера поражает около 50 миллионов человек в мире, но лекарств, воздействующих на ранние механизмы, почти нет. Рапамицин, одобренный FDA препарат, замедляет старение и защищает нейроны, однако его эффект сложно оценить из-за множества факторов: генетики, метаболизма, воспаления, сосудов. Традиционные модели ИИ в этой области обычно ставят диагноз, а не предсказывают ответ на лечение. Данная работа стоит в стороне от соседних исследований, которые фокусируются на классификации болезни Альцгеймера по МРТ или генетическим данным, и впервые применяет мультимодальный подход к предсказанию именно терапии рапамицином.
Авторы собрали данные 23 пациентов в возрасте 40–60 лет из Колумбии, штат Миссури, у каждого было по два замера: до лечения и после. Восемь типов данных включали структурную МРТ, перфузионную визуализацию, маркеры воспаления, метаболиты крови, мозговой кровоток, микробиом, общий анализ крови и демографию. Сначала случайный лес отобрал 27 наиболее важных табличных признаков, сохранив минимум три от каждой модальности. Затем отдельные кодировщики преобразовали каждый тип данных в эмбеддинги, которые выровняли через контрастное обучение: признаки одного пациента сближались, разных — отдалялись. Наконец, трансформер интегрировал эмбеддинги и предсказывал статус лечения. Для оценки использовали разбиение по пациентам: 16 на обучение, 3 на валидацию, 4 на тест, и повторили 10 раз с разными разбиениями.
Без фильтрации признаков модель давала около 50% точности, то есть случайный уровень. После добавления случайного леса средняя точность выросла до 71,25% по 10 запускам. Результаты варьировались от 50% до 87,5% в зависимости от разбиения. Среди отобранных признаков доминировали показатели общего анализа крови (RDW CV %) и воспалительный маркер MIP-1α. Метаболиты крови дали 14 из 27 признаков, хотя по отдельности были слабее. SHAP-анализ подтвердил, что кровь и воспаление вносят наибольший вклад в предсказания, а демография почти не важна. МРТ и микробиом добавляли умеренную, но полезную информацию.
Работа отличается от соседних исследований тем, что вместо диагностики болезни Альцгеймера предсказывает ответ на конкретное лечение, объединяя восемь разнородных источников данных. Соседние работы в архиве сосредоточены на классификации стадий болезни по снимкам мозга или генетическим маркерам, тогда как здесь впервые проверяется, можно ли уловить эффект терапии в малой выборке. Успех фильтрации признаков показывает, что в условиях малого числа пациентов ключевым становится не столько сложность модели, сколько очистка входных данных от шума. Это открывает путь к поиску биомаркеров ответа на рапамицин и персонализации лечения.
Тема может развиваться в сторону увеличения выборки и включения более разнообразных популяций, так как нынешние пациенты в основном европеоидной расы. Добавление продольных данных позволит моделировать долгосрочные эффекты терапии, а не только краткосрочный сдвиг. Возможны также абляционные исследования, чтобы сравнить разные методы отбора признаков и архитектуры. Анализ отдельных областей мозга до и после лечения может выявить нейроанатомические корреляты ответа.
Метод может быть полезен в клинических испытаниях для стратификации пациентов и выявления тех, кто с наибольшей вероятностью ответит на терапию. Также он применим к другим нейродегенеративным заболеваниям и возрастным расстройствам, где важны системные биомаркеры.
Следующий шаг — валидация на более крупной и разнообразной когорте, а также проверка воспроизводимости отобранных признаков. Полезно провести абляцию, чтобы понять вклад каждого этапа: фильтрации, контрастного обучения и трансформера.
В области медицинского ИИ остаётся нерешённой проблема работы с малыми выборками и высокоразмерными данными, где модели склонны к переобучению. Данная работа предлагает конкретный приём — фильтрацию признаков случайным лесом перед глубоким обучением, что может быть обобщено на другие задачи с небольшими наборами пациентов.
Рапамицин был впервые выделен из бактерии, найденной в почве на острове Пасхи (Рапа-Нуи), отсюда и название. Препарат подавляет сигнальный путь mTOR, который регулирует рост клеток и старение, и продлевает жизнь мышам на 10–15%.
Идея предсказывать реакцию организма на лекарство по множеству биологических сигналов перекликается с романом Фрэнка Герберта «Дюна», где врачи используют сложные диагностические системы для оценки состояния человека. Впрочем, в отличие от фантастики, здесь речь о реальных данных крови и мозга.
Работа опубликована не на arXiv. Здесь её страница, PDF и формализация: проверить можно самим, а не только прочитать наш разбор.