AI个体化抑郁症治疗管理新时代丨Airdoc莫纳什研究中心最新论文

《the BMJ》-Brain Health（英国病理杂志脑有益专辑）10月刊发表了关于中所风用药管理者的同多种类型数据数据分析成果。此次数据数据分析成果表明，机器自学的持续其发展有望给予更恰当的假设来左图表数据分析中所风化学物质病患者的用药结果。正因如此遗传物质组筛选和运用于病患者为基础的干巨噬细胞建立联系的复杂营养不良假设有会在将会将试错具体方法替换为中所风简单用药。本数据数据分析由Airdoc Monash Research Center戈宗元耶鲁大学团队联合莫纳什脑部退化营养不良数据数据分析中所心近日联合完成。

一个多世纪以来，中所风用药一直是试错具体方法。虽然有大体上多种类型的抗生素选择指南，但药有否见效，只能运用于后才其实，如果没效就要先尝试下一种药，以此类推直到发现更好的用药辅助工具。因此耽误病程的病患者不在少数。但此次Patrick Kwan(关国良)及熟人探讨普遍认为将会通过AI左图表数据分析中所风的发烧，为病患者冗余最适合于的抗生素。

生物病理双向Transformers编码器(BioBERT)是同多种类型的基于剖面自学技术的可先军事训练生物病理语言对此假设，借此主要用途生物病理文本的挖掘任务。BioBERT发表于2020年末，它通过促进运用于来自许多其他左图表多种类型的非程式设计左图表，例如电子有益记事和流行病学统计数据，来拥护假设军事训练。混合强大的剖面自学左图概率假设，这使得数据数据分析工作人员可以在用药结果数据分析中所最主要极低比较大且有可能有用的数据，而传统文化的抽样则无具体方法显然这一点。

用药化学反应的不明确开放性是主要问题

用药中所风有许多抗生素以及非抗生素干预措施，例如切除外科手术、脑部调节和饮食疗具体方法。然而，这两项的用药管理者标准仍然倚赖于循序尝试各有不同的抗中所风抗生素用药的试错具体方法。虽然有基于中所风发烧大体上多种类型（局灶开放性或正因如此面开放性发烧）的抗生素选择指南，但在配对数据分析时，许多抗生素具相似的。对于任何给定的病患者，无具体方法左图表数据分析哪种抗生素最必要并应被选为初始用药。尽管药厂锐减，市场上有20多种制剂，但有三分之一的病患者的中所风发烧无具体方法被抗中所风抗生素控制。

在世界许多人口众多，大多数新的诊断为中所风的病患者是由初级诊疗外科医生顺利进行用药的。如果在最初的用药中所无具体方法控制中所风发烧，则将病患者转诊给普通脑部科外科医生，如果进一步的抗生素用药失败，则将其转诊至中所风中所心。这种按部就班的诊疗轨迹理论上在中所风数据数据分析员审计有可能具敏感开放性中所风高风险的病患者在此之前，关键的时近早就过剩了。其他用药选择，例如外科手术，被尤其地普遍认为是最后的暴力手段。可惜的是，之外的时近拖延理论上这些用药暴力手段有可能效果不佳。结果往往是多年的家庭准确性下降，生产力下降和死亡率增加。

这一无助有可能通过一种可信的、能发现用药结果与病患者个人特征近之外联的模式的辅助工具来补救。敏感开放性中所风高风险的病患者这样就可以被及早的分诊，从而尽快获取他所的附属医院诊疗资源。人脑（AI）和干巨噬细胞数据数据分析的同多种类型进展使人们了当中所风理论化用药管理者将有可能很快带入这种循序用药途径的可行开放性替代方案。

A：传统文化试错用药具体方法

BC：人脑和干巨噬细胞理论化用药管理者

病理人脑

机器自学即将探索在中所风课题里面通过测量仪器模式识别来左图表数据分析和测定中所风的发烧。最近的一项数据数据分析运用于了9571例常规收集的鞋子测量仪器记事来军事训练一个剖面脑部网络，该线开放性在测定发烧期痫样放电之外优于数据数据分析员。数据数据分析工作人员还运用于了基于时近序列的线开放性（例如，在号召开放性脑部刺激该系统中所运用于的线长线开放性）来数据分析之外联的、持续获取的咽测量仪器回波，以联合开发中所风发烧预警该系统。如果在大规模流行病学试验中所验证必要，这种该系统可以帮助病患者可先防范并减缓中所风发烧所造成了的骨折。

生物病理双向Transformers编码器(BioBERT)是同多种类型的基于剖面自学技术的可先军事训练生物病理语言对此假设，借此主要用途生物病理文本的挖掘任务。BioBERT发表于2020年末，它通过促进运用于来自许多其他左图表多种类型的非程式设计左图表，例如电子有益记事和流行病学统计数据，来拥护假设军事训练。混合强大的剖面自学左图概率假设，这使得数据数据分析工作人员可以在用药结果数据分析中所最主要极低比较大且有可能有用的数据，而传统文化的抽样则无具体方法显然这一点。

AI上的持续其发展为借助于可信的左图表数据分析抗生素用药化学反应的假设产生了期望。亨特中所风中所心的一项数据数据分析即将联合开发AI假设根据参与者的中所风发烧，遗传，物理，生理，抗生素和环境左图表左图表数据分析抗中所风抗生素用药结果。主要用途左图表数据分析抗生素用药化学反应的很好AI线开放性和输入左图表目前还有待明确。因此，将会的数据数据分析必要探索更高性能、更复杂的左图概率AI假设，并利用大型纵向中所风登记左图表，以便可以从病患者的病历中所挖掘正因如此面的数据。这些数据数据分析有会通过应用抽象概念处理辅助工具来提取非程式设计左图表来增强假设。

△ 军事训练的假设在各有不同的左图表集上不加transfer learning做盲测

△ 各有不同cohort左图表集之近的差异

遗传物质组学、干巨噬细胞和简单用药

针对中所风病人的正因如此遗传物质组乳癌数据数据分析早就推测了更加多的中所风之外遗传物质，最主要单多肽遗传物质位点变异（SNVs）和遗传物质组热点。据数据数据分析估计，将近有70％的中所风发生率有可能是由于一种或多种遗传因素引起的。即使早就有之外数据数据分析的典型案例，但是目前已为不确切感染开放性遗传的鉴定将在何种持续性上负面影响流行病学实践中所的用药决策。为了补救这一基本知识两者之间，一项即将顺利进行的数据分析试验借此明确难治开放性中所风病患者的正因如此遗传物质组测序的流行病学依赖性和成本效益。

如果遗传学基本知识要生成为更好的用药辅助工具，那么更加必要地了解遗传的功用就显得至关重要。为此，数据数据分析工作人员采用了传统文化的昆虫和巨噬细胞营养不良假设，将错误的遗传物质插入化学物质的DNA中所。然后通过与对照或“野生型”状况顺利进行比较来明确病理生理学变化。

就中所风而言，针对SCN1A遗传物质突变（造成了大多数Dret病症发生率的遗传物质30）的营养不良假设数据数据分析已将抑制开放性中所近轴突的钠离子通道功用减缓验证为中所风之外的病理机制变动。这一推测造成了了对Dret病症中所抗生素选择的继续审计，并避免了钠离子通道堵塞抗生素的运用于，因为它们有可能进一步减缓轴突功用从而造成了中所风发烧加剧。

但是在大多数持续性下，由于现有营养不良假设数据数据分析的局限开放性，很多SNVs的感染开放性机理已为不确切。如果要在中所风用药中所尤其采用简单病理，那么被验证具遗传的病患者必须接受并能测定；而且该遗传还必要用游离假设顺利进行检查，以审计其病理生理原因和重现营养不良状况，并顺利进行订制定制的抗生素用药测试和选择。

利用从病患者自身巨噬细胞正向产生的多潜能干巨噬细胞（iPSCs）获取人源轴突，可以借助于相当很好的中所风营养不良假设。iPSCs不仅运载病患者自身的脱氧核糖核酸；而且可以生长或“同化”成多种巨噬细胞系，最主要多种脑部巨噬细胞亚型。

△ 多种脑部巨噬细胞亚型

这些从病患者巨噬细胞为基础获取的脑部假设可以尤其主要用途数据数据分析遗传引起的脑部之外特异开放性，例如异常的轴突形态和脑部组织传递，这些都是传统文化的非脑部营养不良假设无具体方法实现的。该假设也早就被主要用途鉴别运载高病原突变遗传物质轴突的异常特异开放性，如更早发育开放性甲状腺肿。

基于iPSCs的营养不良假设最独特的竞争者是必需数据数据分析遗传的组合效应（在单个病患者中所鉴定出的多个SNV）和遗传物质烧伤推断出的持续性。然而，在基于iPSCs的假设可主要用途流行病学用药在此之前，还有须要关键在于重重困难。须要更多的数据数据分析来验证过度活跃的脑部网络特异开放性（一个中所风的流行病学特征）有否可以在菌类里面重现；还须要更多的数据数据分析来明确在这些游离假设中所测得的电社交活动与测量仪器上检视到的中所风样电社交活动之近的关联。

目前基于iPSCs的脑部假设有一个潜在局限开放性，就是欠缺足够的巨噬细胞复杂开放性来建立联系中所风样社交活动。为了补救这一问题，数据数据分析工作人员将数据数据分析转向类脑器官（含有在中枢脑部该系统中所推测的多层巨噬细胞和组织本体）。增加营养不良假设的复杂开放性对于恰当地精心设计造成了生命体中所风的各种巨噬细胞多种类型和中枢脑部该系统区域的开放性营养不良是至关重要的。此外，多电阻阵列可以记事电子商务轴突的协调相互作用，已被主要用途测定培养的类器官发出的测量仪器样回波。

基于iPSC的假设可以无限期生长，而且不必给病患者产生任何风险，因此它们对于在病患者特定取材下顺利进行小分子筛选潜在抗生素相当重要；目的是鉴定出新的颖的、有针对开放性的抗中所风抗生素。事实上这些假设早就出乎意料地主要用途其他中所枢脑部该系统营养不良的小分子抗生素筛选。这样一个新的颖的、基于人源巨噬细胞的抗生素筛选精心设计器可以关键在于我们对传统文化啮齿类昆虫假设的致使倚赖；传统文化的啮齿昆虫假设妨碍了抗中所风抗生素的其发展；这也有助于解释为什么三分之一以上的中所风病患者欠缺必要的抗生素用药。

理论化中所风用药管理者的今后

如果要实现理论化的中所风用药管理者，必须将技术持续其发展与增加有益教育和获取附属医院诊疗机会相混合。将会这些结果左图表数据分析假设不仅会对数据数据分析员有价值，而且将可以帮助正因如此科外科医生用它们对病患者顺利进行分类以便即刻将其分诊至中所风中所心。

基于AI的流行病学决策拥护假设可以恰当地左图表数据分析每个抗中所风抗生素对于化学物质病患者的出乎意料用药的有可能开放性。这些假设被转换为插件并获取美国食品药品监督管理者局和其他管理者机构的同意，属于“作为医疗设备的插件”多种类型。该插件既可以单独运用于也可以集成到电子病历该系统中所，并能通过现实中所的一个系统来提高机动开放性。它可以识别敏感开放性中所风高风险病患者，并能即刻、且有针对开放性地给予昂贵的附属医院诊疗或外科手术审计服务。该插件被验证是在经济上必要的，可主要用途优先安排病患者进入附属医院中所风用药中所心。

以上篇文章出自 ： [1] Chen, Zhibin, Ben Rollo, Ana Antonic-Baker, Alison Anderson, Yuanlin Ma, Terence J. O’Brien, Zongyuan Ge, Xuefeng Wang, and Patrick Kwan. "New era of personalised epilepsy management." bmj 371 (2020).[2] Choong, Jiun H., Haris Hakeem, Zhibin Chen, Martin Brodie, Nicolas Lawn, Tom Drummond, Patrick Kwan, and Zongyuan Ge. "Application of transformers for predicting epilepsy treatment response." medRxiv (2020).