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

• Бумага
• Делиться
  • Скопировать ссылку ×

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.

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.

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.

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).

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.

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