科學家們已經(jīng)開發(fā)出能夠預測肌萎縮側(cè)索硬化癥 (ALS) 或 Lou Gehrig 病進展的深度學習模型。

位于意大利的研究人員的工作發(fā)現(xiàn)，卷積神經(jīng)網(wǎng)絡更適合 ALS 的早期診斷。檢測越早，患者的結(jié)果就越好，因為隨著時間的推移，ALS 患者的肌肉會逐漸惡化，因此很難檢測到

發(fā)表在《科學報告》上的研究結(jié)果使用神經(jīng)網(wǎng)絡來模擬大腦中的神經(jīng)細胞如何處理信息。評估了三種類型的神經(jīng)網(wǎng)絡：前饋、循環(huán)和卷積。

科學家們使用匯集資源開放存取 ALS 臨床試驗 (PRO-ACT) 數(shù)據(jù)庫構(gòu)建模型，該數(shù)據(jù)庫是 10,000 多名患者縱向數(shù)據(jù)的最大公共存儲庫之一。

超過 250 個臨床和人口統(tǒng)計變量被納入神經(jīng)網(wǎng)絡，以預測患者的預后。

神經(jīng)網(wǎng)絡模型與兩種已建立的機器學習算法的結(jié)果進行了比較：貝葉斯加性回歸樹 (BART) 和隨機森林回歸器 (RF)。

研究人員使用 ALSFRS 標準來確定疾病進展，發(fā)現(xiàn)神經(jīng)網(wǎng)絡模型的誤差范圍較小，但與 BART 相比準確性較低。卷積神經(jīng)網(wǎng)絡模型顯示出最好的結(jié)果。

所有模型都表明，早期診斷是患者預后的最佳預測指標。此外，這些模型可以將患者分為“中慢進展者”和“快速進展者”。

“中慢進展者”表現(xiàn)出更好的患者預后，但模型無法準確預測生存結(jié)果。

“雖然深度學習 [神經(jīng)網(wǎng)絡] 模型的性能與最先進的模型相當，但它們并沒有提供決定性的優(yōu)勢，”研究人員說。