哈佛研究員創(chuàng)建機器學習模型來治療耐藥性肺結核

小編發(fā)現(xiàn)不少朋友對于 哈佛研究員創(chuàng)建機器學習模型來治療耐藥性肺結核 這方面的信息都比較感興趣，小編就針對 哈佛研究員創(chuàng)建機器學習模型來治療耐藥性肺結核 整理了一些相關方面的信息 在這里分享給大家。

哈佛大學的一個本科生創(chuàng)建了一個計算機程序，該程序可以改善結核病的治療，結核病是一種具有獨特挑戰(zhàn)性的傳染性疾病，這歸因于其抗藥性的變形能力。

這種疾病很普遍-每年全球大約診斷出1000萬新病例，其中4%為耐多藥結核病，或至少對兩種藥物有耐藥性。在抗藥性感染中，十分之一對多種藥物有抗藥性。

當前的耐藥性測試方法很慢，有些測試在初次診斷后可能需要長達六周的時間才能顯示出實驗室環(huán)境中的藥物敏感性。在世界上許多難以進行藥物敏感性測試的地方，結核病的治療可能會變成猜測，這代表著機器學習破壞現(xiàn)狀的重要機會。此外，其他測試方法也存在缺陷，缺少檢測二線耐藥性的能力，或者無法評估遺傳相互作用。

哈佛計算機程序預測結核菌菌株在十分之一秒內對10種一線和二線藥物的耐藥性要比相似模型更高。在臨床環(huán)境中，將作為哈佛醫(yī)學院genTB工具的功能在線提供的計算機程序可以加快并提高結核病耐藥性檢測的準確性。

“難治性結核病難以發(fā)現(xiàn)，難以治療并且預示患者的不良結局，”瑪哈·法哈特(Maha Farhat)–資深研究作者，哈佛醫(yī)學院生物醫(yī)學信息學助理教授，馬薩諸塞州綜合醫(yī)院的肺科醫(yī)學專家– –在聲明中說。“在診斷時迅速檢測出耐藥性的全部特征的能力對于改善單個患者的預后以及減少感染向其他人的傳播都至關重要。”

哈佛大學的科學家著手專門解決當前結核病耐藥性測試模型的缺陷，并將計算機程序暴露給具有廣泛遺傳突變的數(shù)據(jù)集。在3,601 TB對一線和二線藥物耐藥的菌株(包括1,288種多藥耐藥菌株)中對模型進行了訓練。在測試中，對模型進行了挑戰(zhàn)，以預測未經(jīng)訓練的792個完全測序的TB基因組的抗性。

在設計和測試的五個計算模型中，其中兩個在準確性上處于競爭中，包括統(tǒng)計模型和神經(jīng)網(wǎng)絡。最終模型是一種診斷工具，可以通過根據(jù)先驗知識評估所有可用信息來確定耐藥性。廣泛而深入的神經(jīng)網(wǎng)絡更適合預測二線治療耐藥性，從而使其成為更準確的模型。

研究的第一作者邁克爾·陳(Michael Chen)在哈佛大學新生時就開始編寫該程序，他說：“廣泛而深入的神經(jīng)網(wǎng)絡交織了兩種形式的機器學習，以確定遺傳變異對抗生素耐藥性的綜合影響。”

神經(jīng)網(wǎng)絡模型預測對一線藥物的耐藥性為94%，對二線藥物的平均準確度為90%。相比之下，該統(tǒng)計模型記錄的預測一線藥物耐藥性的準確性為94%，對二線藥物的準確性為88%。

速度和準確性突顯了AI在醫(yī)療保健領域中治療和診斷傳染病的能力不斷增強。

“我們的模型凸顯了人工智能在結核病方面的作用，但它的重要性遠遠超出了結核病，” S生物醫(yī)學信息學研究副研究員，哈佛大學陳冠?？妥v師，研究共同作者安迪·比姆(Andy Beam)說。公共衛(wèi)生學院。“人工智能將通過快速綜合大量數(shù)據(jù)來幫助臨床醫(yī)生在許多情況下以及許多其他疾病中做出最明智的決定，從而幫助指導臨床決策。”