哈佛研究员创建机器学习模型来治疗耐药性肺结核

小编发现不少朋友对于 哈佛研究员创建机器学习模型来治疗耐药性肺结核 这方面的信息都比较感兴趣，小编就针对 哈佛研究员创建机器学习模型来治疗耐药性肺结核 整理了一些相关方面的信息 在这里分享给大家。

哈佛大学的一个本科生创建了一个计算机程序，该程序可以改善结核病的治疗，结核病是一种具有独特挑战性的传染性疾病，这归因于其抗药性的变形能力。

这种疾病很普遍-每年全球大约诊断出1000万新病例，其中4%为耐多药结核病，或至少对两种药物有耐药性。在抗药性感染中，十分之一对多种药物有抗药性。

当前的耐药性测试方法很慢，有些测试在初次诊断后可能需要长达六周的时间才能显示出实验室环境中的药物敏感性。在世界上许多难以进行药物敏感性测试的地方，结核病的治疗可能会变成猜测，这代表着机器学习破坏现状的重要机会。此外，其他测试方法也存在缺陷，缺少检测二线耐药性的能力，或者无法评估遗传相互作用。

哈佛计算机程序预测结核菌菌株在十分之一秒内对10种一线和二线药物的耐药性要比相似模型更高。在临床环境中，将作为哈佛医学院genTB工具的功能在线提供的计算机程序可以加快并提高结核病耐药性检测的准确性。

“难治性结核病难以发现，难以治疗并且预示患者的不良结局，”玛哈·法哈特(Maha Farhat)–资深研究作者，哈佛医学院生物医学信息学助理教授，马萨诸塞州综合医院的肺科医学专家– –在声明中说。“在诊断时迅速检测出耐药性的全部特征的能力对于改善单个患者的预后以及减少感染向其他人的传播都至关重要。”

哈佛大学的科学家着手专门解决当前结核病耐药性测试模型的缺陷，并将计算机程序暴露给具有广泛遗传突变的数据集。在3,601 TB对一线和二线药物耐药的菌株(包括1,288种多药耐药菌株)中对模型进行了训练。在测试中，对模型进行了挑战，以预测未经训练的792个完全测序的TB基因组的抗性。

在设计和测试的五个计算模型中，其中两个在准确性上处于竞争中，包括统计模型和神经网络。最终模型是一种诊断工具，可以通过根据先验知识评估所有可用信息来确定耐药性。广泛而深入的神经网络更适合预测二线治疗耐药性，从而使其成为更准确的模型。

研究的第一作者迈克尔·陈(Michael Chen)在哈佛大学新生时就开始编写该程序，他说：“广泛而深入的神经网络交织了两种形式的机器学习，以确定遗传变异对抗生素耐药性的综合影响。”

神经网络模型预测对一线药物的耐药性为94%，对二线药物的平均准确度为90%。相比之下，该统计模型记录的预测一线药物耐药性的准确性为94%，对二线药物的准确性为88%。

速度和准确性突显了AI在医疗保健领域中治疗和诊断传染病的能力不断增强。

“我们的模型凸显了人工智能在结核病方面的作用，但它的重要性远远超出了结核病，” S生物医学信息学研究副研究员，哈佛大学陈冠希客座讲师，研究共同作者安迪·比姆(Andy Beam)说。公共卫生学院。“人工智能将通过快速综合大量数据来帮助临床医生在许多情况下以及许多其他疾病中做出最明智的决定，从而帮助指导临床决策。”