Архив рубрики ~Лента новостей~

Инструмент на основе искусственного интеллекта для определения приоритетности потенциальных биомаркеров на основе данных с носимых датчиков.

Инструмент на основе искусственного интеллекта для определения приоритетности потенциальных биомаркеров на основе данных с носимых датчиков.
Инструмент на основе искусственного интеллекта для определения приоритетности потенциальных биомаркеров на основе данных с носимых датчиков.

Мы представляем систему Biomarker Discovery Framework — многоагентную систему, которая поддерживает поиск потенциальных биомаркеров на основе данных носимых датчиков посредством итеративного формирования гипотез, статистического анализа и обоснованных рассуждений, основанных на литературных данных.

Быстрые ссылки

Носимые устройства непрерывно регистрируют физиологические сигналы в масштабах популяции. Эти потоки, от динамики сердечного ритма до режима сна, могут выявлять ранние физиологические изменения до появления симптомов. Узким местом теперь является не сбор данных, а преобразование этих сигналов в надежные, клинически значимые биомаркеры.

Существующие агентные системы, основанные на языковых моделях, автоматизируют часть научного рабочего процесса, но часто дают сбои при работе с физиологическими временными рядами. Эти системы оптимизируют точность прогнозирования, игнорируя статистическую достоверность, что приводит к ложным корреляциям, утечкам информации и ненадежным признакам.

С этой целью мы представляем Biomarker Discovery Framework — многоагентную систему, которая структурирует приоритизацию потенциальных биомаркеров как итеративный исследовательский цикл под контролем человека. Сочетая генерацию гипотез, параллельный статистический анализ, обучение моделей, состязательную валидацию и рассуждения, основанные на литературных данных, Biomarker Discovery Framework ускоряет процесс поиска, сохраняя при этом строгую статистическую точность и контроль со стороны человека. В трех когортах (N = 9279 наблюдений участников) Biomarker Discovery Framework восстановила известные клинические сигналы, выявила конвергентные биомаркеры в независимых наборах данных и улучшила прогнозирование в дальнейшем при сочетании с демографическими характеристиками.

Обзор структуры поиска биомаркеров. (a) Система получает данные временных рядов с потребительских носимых устройств и клинических лабораторий. (b) Замкнутая архитектура координирует шесть фаз, отражающих жизненный цикл приоритезации биомаркеров человека. (c) Агент-оркестратор декомпозирует исследовательские директивы на естественном языке на планы выполнения.

Структурированный, конфронтационный конвейер с человеческим контролем.

Система поиска биомаркеров сочетает детерминированные вычисления для численного анализа с генеративным мышлением для формирования и интерпретации гипотез. Агент-оркестратор декомпозирует исследовательские директивы на естественном языке на планы выполнения и направляет специализированных агентов через шестиэтапный процесс. При этом общая память, структурированный информационный лист и общие инструменты обеспечивают отслеживаемость на протяжении всего рабочего процесса.

  • Понимание данных: агенты Scout сопоставляют схему, наличие пропущенных данных, временную структуру и клинические конечные точки, а механизмы контроля утечки данных позволяют отделить целевые метки от построения признаков.
  • Обоснование гипотез-кандидатов: Специалисты по анализу литературы и гипотез извлекают и проверяют ранее полученные данные, а затем предлагают физиологически правдоподобные характеристики и комплексные показатели.
  • Итеративный цикл обнаружения: статистические и машинные агенты выполняют детерминированный код для построения признаков, оценки взаимосвязей, корректировки на множественное тестирование и оценки прогностических сигналов. Агент-критик выявляет слабые предположения и неустраненные пробелы, инициируя дальнейший анализ при необходимости.
  • Проверка методом состязательного тестирования: агенты «Критик» и «Защитник» проводят стресс-тестирование кандидатов на предмет утечки целевых данных, переобучения, чувствительности к искажающим факторам, перекрытия конструктов, нестабильности и физиологической неправдоподобности. Структурированная внутренняя батарея из 11 проверок присваивает четкие метки для отчетов, включая «отфильтрованный», «условный», «исследовательский», «отклоненный» и «нестабильный».
  • Глубокое исследование и оценка: агенты, занимающиеся изучением механизмов, новизны и стратегий, оценивают биологическую правдоподобность, предшествующую литературу и потенциальную применимость на практике, не рассматривая ассоциацию как причинно-следственную связь.
  • Составление и подготовка отчетов: Специалисты по подготовке отчетов сверяют числовые утверждения с информационным листом и объединяют анализ, цифры, литературу и ограничения в черновик для экспертной оценки.

Например, получив запрос на определение приоритетности носимых устройств, связанных с тяжестью депрессии, система Biomarker Discovery Framework провела анализ набора данных DWB, предложила характеристики изменчивости времени сна и оценила связь между изменчивостью продолжительности сна и тяжестью депрессии по шкале PHQ-8 (ρ = 0,252). Затем система проверила стабильность, утечку, согласованность подгрупп и альтернативные объяснения, прежде чем представить результат в виде обоснованной на основе литературы гипотезы о циркадной нестабильности для рассмотрения экспертами.

Блок-схема, описывающая многоагентную систему искусственного интеллекта для автоматизированного обнаружения, проверки и генерации отчетов по биомаркерам.

Архитектура системы обнаружения биомаркеров. Специализированные суб-агенты (Разведчик, Критик, Защитник, Механизм) работают на основе общего состояния. Система обнаружения биомаркеров обеспечивает механизмы безопасности для гарантирования статистической достоверности, отделяя построение признаков от целевых сигналов и требуя от кандидатов прохождения 11-тестового этапа состязательной фильтрации.

Результаты: Приоритизация потенциальных ассоциаций в различных областях.

Для оценки способности системы поиска биомаркеров извлекать правдоподобные физиологические данные из зашумленных данных мы независимо применили ее к трем крупным когортам, включающим в общей сложности 9279 наблюдений участников, охватывающих как область психического здоровья (DWB и GLOBEM), так и область метаболических заболеваний (WEAR-ME). Система автоматически выявила 41 потенциальный цифровой биомаркер для психического здоровья и 25 для метаболических показателей.

В таблице ниже представлен тщательно отобранный образец потенциальных ассоциаций. Коэффициент корреляции Спирмена (ρ) суммирует направление и силу ассоциации. 95% доверительный интервал количественно оценивает неопределенность, а скорректированное значение p учитывает множественные сравнения. Представленный механизм является гипотезой, основанной на литературных данных, а не причинно-следственным выводом. Важно отметить, что в последнем столбце описывается сила имеющихся доказательств — а не клиническая валидация в данном исследовании — и звездочками обозначены маркеры уровня доказательств, а не коды статистической значимости.

Методика поиска биомаркеров не просто отбирала существующие переменные; она создавала новые составные характеристики. Например, в области психического здоровья она выявила вариабельность продолжительности сна и вариабельность засыпания как основные корреляты тяжести депрессии. В метаболической области она вывела индекс сердечно-сосудистой подготовленности (количество шагов, деленное на частоту сердечных сокращений в состоянии покоя) как неинвазивный коррелят резистентности к инсулину, связав его с предыдущими исследованиями регуляции глюкозы и кардиометаболической подготовленности.

В таблице представлены данные о потенциальных биомаркерах, размерах эффекта, скорректированных p-значениях и механистических гипотезах для трех когорт.

Размеры эффекта и неопределенность получены из детерминистического анализа, а механистические объяснения представляют собой гипотезы, основанные на литературных данных. «Установлено» означает наличие существенной подтверждающей литературы, «Поддерживается*» указывает на то, что лежащая в основе физиологическая ось установлена, но цифровая операционализация является новой, «Возникающее**» означает, что предыдущие данные ограничены и требуют подтверждения в ходе дополнительных исследований, R обозначает кандидатов, отклоненных на этапе проверки пересечения конструктов. † обозначает характеристики, полученные с помощью носимых устройств, а «Помечено как нестабильное» указывает на оценку, полученную в ходе дополнительных исследований, с обратным направлением.

Выявление клинических сигналов в больших масштабах

Мы применили разработанную нами систему поиска биомаркеров в трех различных крупномасштабных когортах, включающих в общей сложности 9279 наблюдений за участниками, охватывающих как область психического здоровья, так и область метаболических заболеваний.

В рамках двух областей депрессии, модель поиска биомаркеров отдавала приоритет различным операционализациям связанного с циркадной нестабильностью конструкта. В исследовании DWB вариабельность продолжительности сна была связана с тяжестью по шкале PHQ-8 (ρ = 0,252, p < 0,001). В исследовании GLOBEM вариабельность засыпания выявилась как поисковая, слабосигнальная связь с шкалой PHQ-4 (ρ = 0,126, p < 0,001; CV AUC = 0,535). Поскольку когорты, конечные точки и определения признаков различаются — и ни один идентичный кандидат не был воспроизведен — эту закономерность следует интерпретировать как предполагаемую конвергенцию на уровне конструкта, а не как прямое воспроизведение.

Две скрипичные диаграммы, демонстрирующие вариабельность продолжительности сна и времени его засыпания в разных группах с возрастающей степенью тяжести депрессии.

Выявлены потенциальные факторы, связанные с нарушением циркадных ритмов, в двух группах пациентов с депрессией. Вариабельность увеличивается в зависимости от степени тяжести симптомов в обеих группах, однако полученные результаты носят гипотетический характер и не являются доказательством причинно-следственной связи или прямым подтверждением результатов в разных группах.

В общей сложности, с помощью системы поиска биомаркеров было выявлено 41 потенциальный цифровой биомаркер для оценки психического здоровья и 25 — для оценки метаболических показателей. Хотя размеры эффектов отражают умеренные величины, характерные для пассивного цифрового фенотипирования, интеграция этих характеристик, полученных с помощью системы поиска биомаркеров, наряду с демографическими переменными улучшила прогностическую эффективность при сочетании с демографическими характеристиками (ΔR² = 0,040 для депрессии, 0,021 для инсулинорезистентности).

Радарная диаграмма и таблица, сравнивающие производительность предлагаемого ИИ-агента с базовыми показателями по нескольким эталонным тестам в области анализа данных.

Обзор структуры поиска биомаркеров. Слева: Структура поиска биомаркеров была дополнительно оценена на эталонных показателях в области науки о данных и здравоохранения, показав конкурентоспособные результаты по сравнению с лучшими базовыми показателями по каждому из них. Справа: В ходе слепой оценки экспертов структура поиска биомаркеров получила наивысшие средние баллы по всем параметрам качества.

Оценка, проведенная экспертами в данной области.

Для оценки качества рукописей 15 экспертов в области медицины, биомедицинской науки о данных, машинного обучения, биоинформатики и цифрового здравоохранения проанализировали анонимные отчеты, подготовленные с помощью Biomarker Discovery Framework и трех современных исследовательских систем искусственного интеллекта (AI co-cientist от Google DeepMind, Biomni и Data Science Agent от Google ADK). Biomarker Discovery Framework, Biomni и Data Science Agent оценивались совместно в 21 сессии, а Biomarker Discovery Framework оценивался в отдельной серии из 13 сессий с использованием того же инструмента оценки.

В ходе слепой оценки система Biomarker Discovery Framework получила наивысшие средние баллы по всем семи параметрам качества. В соответствии с имитированной редакционной оценкой исследования, это была единственная система, получившая рекомендации «Принять» или «Незначительная доработка»: 2 «Принять», 8 «Незначительная доработка», 8 «Крупная доработка» и 3 «Отклонить». Рецензенты оценили, что в среднем сохранят 56,9% содержимого рукописи, созданного с помощью Biomarker Discovery Framework, по сравнению с 18,8%–30,4% для базовых версий, и поставили Biomarker Discovery Framework на первое место в 9 из 13 сессий ранжирования четырех систем.

Четыре диаграммы, оценивающие различные агенты ИИ по таким параметрам, как качество отчетов, процент принятия, экономия трудозатрат человека и ранжирование задач.

Слепая оценка с участием людей. (а) Система Biomarker Discovery Framework получила наивысшие средние оценки экспертов по всем семи параметрам качества, продемонстрировав превосходные результаты в статистической достоверности и обоснованности. (б) Распределение решений редакции показывает, что Biomarker Discovery Framework — единственная система, получившая от экспертной группы решение не отклонять (Принять/Незначительная доработка).

Заключение

По мере того как данные о здоровье, получаемые с помощью носимых устройств, распространяются на все большее количество людей, узким местом в цифровой медицине становится уже не сбор данных, а принципиальное и строгое формирование гипотез. Одного лишь масштабирования возможностей модели недостаточно для решения проблемы научной строгости. Однако, при использовании в тщательно структурированной архитектуре, которая отделяет детерминированные вычисления от генеративного мышления и заставляет агентов защищаться, обсуждая свои выводы, ИИ может поддерживать структурированное формирование, проверку и приоритизацию гипотез под контролем человека. Переходя от автоматизации «черного ящика» к прозрачным рабочим процессам с участием человека, мы можем создавать системы ИИ, способные безопасно ускорять цикл от гипотезы к проверке в клинических исследованиях.

Благодарности

Этот пост в блоге был написан Юбин Ким, Хамидом Паланги и Дэниелом Макдаффом из Google Research. Работа была инициирована аспирантом MIT Юбин Ким во время стажировки в Google под руководством Дэниела Макдаффа и Хамида Паланги. Мы благодарны нашим соавторам и коллегам из Google Research, Google DeepMind и академических кругов за их вклад в эту работу.

Источник: research.google

Оцените материал:

Поделиться
Понравилась статья? Расскажите другим
ВКонтакте
Читайте также
Новости робототехники Оптимизированный контроллер на основе нечеткой логики снижает среднюю ошибку отслеживания роботизированной руки на 89% в ходе моделирования. Новости робототехники Компания Waymo приостановила поездки по автомагистралям по всей стране после распоряжения Департамента транспортных средств Калифорнии. Новости робототехники Это простое изменение предотвращает застревание роев роботов. Новости робототехники Как я готовил робота-собаку Unitree Go2 на удаленке к МТС True Tech Champ Новости робототехники Гибкие роботизированные манипуляторы учатся предсказывать свои следующие движения. Новости робототехники Выращенные в лаборатории мышцы мышей позволяют крошечным роботам прыгать, плавать, ходить и хватать предметы. Новости робототехники Колесные, летающие и шестиногие роботы остаются на правильном пути благодаря новому методу обучения. Новости робототехники Мягкая роботизированная рыба сочетает в себе высокоскоростное плавание и трехмерную маневренность. Новости робототехники БИОЛОГ: НЕУМЕРЕННОЕ ИСПОЛЬЗОВАНИЕ ГАДЖЕТОВ НЕОБРАТИМО МЕНЯЕТ ЛИЧНОСТЬ РЕБЁНКА Новости робототехники Искусственный интеллект в БПЛА: преимущества и риски Новости робототехники Новая система искусственного интеллекта поможет машинам более детально понимать трехмерное пространство. Новости робототехники Ростех показал кобота с «умным» зрением Новости робототехники ДНК-роботы могли бы доставлять лекарства и выслеживать вирусы внутри вашего тела. Новости робототехники Человекоподобные роботы, играющие в футбол, забили важный гол в области робототехники, продемонстрировав высокую координацию движений. Новости робототехники Оптимизированный контроллер на основе нечеткой логики снижает среднюю ошибку отслеживания роботизированной руки на 89% в ходе моделирования. Новости робототехники Компания Waymo приостановила поездки по автомагистралям по всей стране после распоряжения Департамента транспортных средств Калифорнии. Новости робототехники Это простое изменение предотвращает застревание роев роботов. Новости робототехники Как я готовил робота-собаку Unitree Go2 на удаленке к МТС True Tech Champ Новости робототехники Гибкие роботизированные манипуляторы учатся предсказывать свои следующие движения. Новости робототехники Выращенные в лаборатории мышцы мышей позволяют крошечным роботам прыгать, плавать, ходить и хватать предметы. Новости робототехники Колесные, летающие и шестиногие роботы остаются на правильном пути благодаря новому методу обучения. Новости робототехники Мягкая роботизированная рыба сочетает в себе высокоскоростное плавание и трехмерную маневренность. Новости робототехники БИОЛОГ: НЕУМЕРЕННОЕ ИСПОЛЬЗОВАНИЕ ГАДЖЕТОВ НЕОБРАТИМО МЕНЯЕТ ЛИЧНОСТЬ РЕБЁНКА Новости робототехники Искусственный интеллект в БПЛА: преимущества и риски Новости робототехники Новая система искусственного интеллекта поможет машинам более детально понимать трехмерное пространство. Новости робототехники Ростех показал кобота с «умным» зрением Новости робототехники ДНК-роботы могли бы доставлять лекарства и выслеживать вирусы внутри вашего тела. Новости робототехники Человекоподобные роботы, играющие в футбол, забили важный гол в области робототехники, продемонстрировав высокую координацию движений.

Оставить комментарий