机器学习|准确识别！研究人员开发机器学习预警系统可预测早产儿坏死性小肠结肠炎的发作预警系统|早产儿|结肠炎|早产儿肠道疾

坏死性小肠结肠炎（NEC）是威胁生命的早产儿肠道疾病。它以突然和进行性肠道炎症和组织死亡为特征，每年在美国影响多达11,000名早产婴儿，15％-30％的受影响婴儿死于NEC，幸存者也通常面临长期的肠道和神经发育并发症。
哥伦比亚工程公司和匹兹堡大学的研究人员已经开发出了一种灵敏而特定的预警系统，可以在疾病发生之前预测早产儿的NEC。该原型利用粪便微生物组功能结合临床和人口统计学信息，可以准确、早期地预测NEC的发生。

文章图片
该研究的合著者，哥伦比亚工程学院计算机科学系高级学科讲师Salleb-Aouissi说：“我们能够使用机器学习来阻止这种情况发生在婴儿身上，真是令人惊讶……我们查看了数据并开发了一种真正有用的工具，它甚至可以挽救生命。”
“如果医生能够在婴儿真正生病之前准确预测NEC，则可以采取一些非常简单的步骤——治疗可以包括停止喂食，给静脉输液以及开始使用抗生素以预防最严重的后果，例如长期残疾或死亡。”该研究的主要作者托马斯·A·霍芬（Thomas A. Hooven）说道，他是哥伦比亚大学医学中心新生儿科的助理教授，从那时开始与Salleb-Aouissi合作。他现在是匹兹堡大学医学院新生儿医学系的儿科学助理教授。
目前，尚无任何工具可以预测哪些早产儿会患上这种疾病，而且NEC经常要等到为时已晚才能才被认识并开始有效的干预。 NEC是早产儿中最常见的肠道紧急情况。它的特点是迅速进行性肠坏死、菌血症、酸中毒以及高发病率和死亡率。
NEC的病因尚不十分清楚，但是一些研究集中在肠道微生物组的变化上，肠道微生物组的组成可以从少量粪便样本的DNA测序中确定。研究人员假设，通过机器学习方法对早产患者的临床，人口统计学和微生物组数据进行建模，可以在临床疾病发作之前很长时间就对NEC高风险患者进行区分，从而可以及早干预并减轻严重并发症的发生。
Hooven，Salleb-Aouissi使用的是2016年NIH对早产婴儿进行临床研究的数据，该研究的粪便样本是在2009年至2013年间从多个美国新生儿ICU中收集的。研究小组检查了161名早产儿的2895份粪便样本，其中45名患有NEC。考虑到微生物组数据的复杂性，研究人员执行了几个数据预处理步骤以降低其维数，并解决该数据的组成和层次性质，以利用它进行机器学习模拟。
“我们从新技术中学到的教训很可能会转化为其他遗传或蛋白质组数据集，并为医疗保健数据集激发新的机器学习算法。”Salleb-Aouissi说说道。
该团队评估了几种机器学习方法，以确定从微生物组数据预测NEC的最佳策略。他们从基于门控注意力的多实例学习（MIL）方法中找到了最佳性能。
由于人类微生物群可能会发生变化，因此MIL方法解决了问题的顺序方面。例如，在婴儿出生后的前20天内，婴儿的微生物组会发生剧烈变化。许多研究表明，微生物组多样性较高的婴儿通常更健康。
这项研究的共同作者，计算机科学硕士课程的学生Adam Lin说：“这使我们认为，微生物组多样性的变化，可以帮助解释为什么某些婴儿更容易因NEC患病。”
该团队没有将婴儿的微生物组样本视为独立样本，而是将每个患者代表为样本集合，并应用注意力机制来学习样本之间的复杂关系。机器学习算法会“观察”每个样本，并尝试从其内容中猜测婴儿是否受到影响。
在重复试验中，该模型区分受影响和未受影响婴儿的能力，在敏感性和特异性两项指标之间取得了良好的平衡。Salleb-Aouissi指出：“ ROC曲线下的面积（AUC）约为0.9，这表明我们的模型在区分患病和未患病患者方面的表现非常出色。” “我们的系统是适用于临床应用的机器学习模型的首个有效系统，该模型结合了微生物组、人口统计学和临床数据，可以在新生儿ICU中进行实时收集和监测。我们很高兴将其适用性扩展到新的ICU领域，开展医学上的预测性监控。”

机器学习|准确识别！研究人员开发机器学习预警系统 可预测早产儿坏死性小肠结肠炎的发作

机器学习|准确识别！研究人员开发机器学习预警系统可预测早产儿坏死性小肠结肠炎的发作