¿Hay trabajos de investigación que utilicen el aprendizaje profundo para tomar decisiones clínicas?

Estoy trabajando en uno en este momento y presentaré algunos trabajos relacionados antes de hablar sobre mi investigación.

Hay dos tareas principales en medicina: pronóstico y diagnóstico. El aprendizaje automático es útil cuando hay un patrón para extraer de datos de alta dimensión. La aplicación más común de ML en el diagnóstico es la separación de pacientes sanos, mórbidos y comórbidos que reciben una exploración, generalmente imágenes de PET, fMRI o SPECT. Es una tarea de segmentación donde la lesión o el tumor en un órgano está segmentado o es una clasificación directa de los escáneres. La segmentación es todo lo que puede hacer cuando hay pocos datos para trabajar y los datos de salud utilizables no son fáciles de encontrar debido a que los hospitales no mantienen y / o comparten sus conjuntos de datos.

Las aplicaciones de pronóstico incluyen la predicción del estado futuro de un tumor dada la declaración y las exploraciones pasadas del sujeto. Uno de esos trabajos lo realiza un compañero de estudios de la USC. Él está tratando de construir un Modelo Convolucional Generativo Profundo para predecir el estado futuro de un paciente de Alzheimer en el futuro, dado el tratamiento y las exploraciones pasadas. Está utilizando el conjunto de datos ADNI (que se explica a continuación)

Para la clasificación directa, se requieren decenas de miles de imágenes para capturar características esenciales en los patrones que caracterizan los trastornos debido a la maldición de la dimensionalidad . Por ejemplo, un escaneo PET típico tiene 300,000 vóxeles que representan un espacio de resolución de 128x128x27 con una resolución de 2 mm x 2 mm x 6 mm. Los patrones inducidos por modelos discriminativos como las redes neuronales convolucionales dan una idea de los circuitos neurofisiológicos subyacentes que dan paso a ciertas enfermedades.

Para no perder el puente entre la medicina y la informática, los resultados deben ser interpretables, no solo “pongo el escáner en el recuadro negro y me dice qué pasa”.

El desafío BRATS es una competencia que compiten muchos equipos para mejorar los resultados de referencia en ciertos conjuntos de datos. Las arquitecturas neuronales específicamente adaptadas al diagnóstico médico se construyen en esta competencia. DeepMedic de Kamnitsas et al es una de esas arquitecturas para la segmentación de CNN de la vía desacoplada en imágenes de resonancia magnética. Las imágenes de resonancia magnética son imágenes en 3D; por lo tanto, las redes neuronales convolucionales 3D se utilizan para la extracción de características:

https://arxiv.org/pdf/1603.05959…

ADNI es una iniciativa para recopilar, almacenar y realizar investigaciones sobre escáneres cerebrales de pacientes con Alzheimer. Tiene aproximadamente 4000 escáneres cerebrales y docenas de investigadores de nivel 1 están tratando de mantener y hacer crecer el conjunto de datos. Aquí hay un estudio que usa un codificador convolucional escaso para realizar la clasificación en ADNI:

https://arxiv.org/pdf/1502.02506…

Como es de esperar, los datos de salud están protegidos por la Oficina de Protecciones de Investigación Humana del Departamento de Servicios Humanos y de Salud de EE. UU . Las juntas de revisión institucional se forman para revisar ‘propuestas de investigación’ con datos de sujetos humanos. Sin embargo, la mayoría de los estudios pueden obtener una exención debido a conjuntos de datos desidentificados, ya que no hay una manera fácil de abusar de los datos desidentificados. Este proceso tedioso, aunque esencial, junto con la escasez de conjuntos de datos bien mantenidos disponibles públicamente, limita la investigación del aprendizaje automático en medicina a conjuntos de datos populares como ADNI, BRATS y algunas clínicas pequeñas. Los datos en los que estoy trabajando pertenecen a Amen Clinics. Son una clínica psiquiátrica cuyos pacientes sufren de TBI, TEPT y otros trastornos cerebrales. Su Coordinadora de Investigación, Dra. Kristen Willeumier, y su equipo publicaron varios artículos sobre la separación de TBI y PTSD, que son un trastorno altamente heterogéneo en el sentido de que sus síntomas y patrones neurofisiológicos se superponen:

La neuroimagen funcional distingue el trastorno de estrés postraumático de la lesión cerebral traumática en conjuntos de datos comunitarios enfocados y grandes

Por ejemplo, la imagen en el lado izquierdo es una imagen SPECT de un proyecto saludable. SPECT (tomografía computarizada por emisión de fotón único) mide el nivel de perfusión (flujo sanguíneo) en todas y cada una de las áreas del cerebro. Por lo general, el escaneo es una imagen 3D con una resolución de 2 mm x 2 mm x 2 mm que se muestrea en una dimensión, como 128x128x27 (se muestrea en un factor de 3 en el eje z). Observe cuán homogéneo es el flujo sanguíneo en el cerebro en el sujeto normal, mientras que tiene algunas áreas de poca actividad en el caso de TEPT.

Mapa de colores: azul-> más activo, rojo-> menos activo, blanco-> menos activo

Estoy construyendo una arquitectura de propiedad específicamente diseñada para el diagnóstico de estas enfermedades. Sin embargo, estaré recopilando datos de clínicas separadas para mejorar este modelo y eventualmente construir un modelo de diagnóstico universal. Cualquiera puede enviarme un mensaje a Quora con respecto a mi investigación.