MIA-Prognosis: إطار عمل تعليم عميق لتنبؤ استجابة العلاج

يُعدّ التنبؤ بالنتائج السريرية أمرًا بالغ الأهمية لكنه يُعدّ أيضًا تحديًا كبيرًا. وقد ركّزت الجهود البحثية على البحث عن علامات بيولوجية ذات أهمية مرتبطة بردود الفعل على العلاج أو/و بقاء المرضى. ومع ذلك، فإن هذه العلامات البيولوجية غالبًا ما تكون مكلفة وغائرة (غائرة بالمعنى الطبي)، وقد تكون غير كافية لعلاجات جديدة. من ناحية أخرى، يتم إنتاج كمّ هائل من البيانات متعددة الوسائط، غير المتجانسة، وغير المتماثلة زمنيًا، باستمرار في الممارسة السريرية. يهدف هذا البحث إلى اقتراح نهج موحد يعتمد على التعلم العميق للتنبؤ بنتائج المرضى وردود فعلهم على العلاج، باستخدام بيانات يمكن الحصول عليها بسهولة، مثل الصور التشخيصية، والنتائج المعملية، والمعلومات السريرية. تركز الدراسات السابقة على نمذجة نوع واحد من البيانات، أو تتجاهل التغيرات الزمنية. وبشكل مهم، فإن السلاسل الزمنية السريرية تكون غير متزامنة في الواقع، أي تُسجل بفترات غير منتظمة. في هذه الدراسة، نُصِّف نمذجة التنبؤ بالنتائج كمهمة تصنيف لسلاسل زمنية متعددة الوسائط غير متماثلة زمنيًا، ونُقدّم إطار عمل يُسمى MIA-Prognosis، يعتمد على معلومات القياس، والتدخل، والتقييم (MIA)، للتنبؤ بردود فعل العلاج، حيث تم تطوير وحدة تسمى "الانتباه الزمني البسيط" (SimTA) لمعالجة السلاسل الزمنية غير المتماثلة. وقد أثبتت التجارب على مجموعة بيانات اصطناعية تفوق SimTA على النماذج التقليدية القائمة على الشبكات العصبية التكرارية (RNN). علاوة على ذلك، تم تجريب الطريقة المقترحة على مجموعة بيانات داخلية، استُخدمت فيها بيانات واقعية لمرضى سرطان الرئة غير الصغير الخلايا الذين خضعوا لعلاج مناعي يعتمد على مثبطات PD-1. وقد حققت الطريقة المقترحة أداءً واعدًا في التنبؤ بردود الفعل على العلاج المناعي. وبشكل لافت، يمكن لنموذج التنبؤ لدينا تقسيم المرضى إلى مجموعتين: مجموعات ذات خطر منخفض وعالي فيما يتعلق بالبقاء على المدى الطويل.