AI个体化癫痫治疗管理新时代丨Airdoc莫纳什研究中心同类型论文

《the BMJ》-Brain Health（英国医学杂志脑卫生专辑）10季刊发表了关于中都风疗程负责管理的不断来得新研究者已成果。此次研究者已成果暗示，神经网络的退步再一提供来得精确的数学方式来预见中都风变异病变的疗程结果。均基因序列组挑选和用到病变相异的干肝细胞建立的较为简单哮喘数学方式确实会在预见将试错法换已成为中都风高效率疗程。本研究者由Airdoc Monash Research Center戈宗元博士开发团队联合莫纳什神经系统退化哮喘研究者中都心近日联合完已成。

一个多世纪以来，中都风疗程一直是试错法。虽然有大体类型的口服选择指南，但药物是否见效，只能用到后才发觉，如果没效就要再尝试下一种药物，相加直到寻找合适的疗程方式。因此耽误病程的病变不在少数。但此次Patrick Kwan(关国良)及同事探讨相信预见通过AI预见中都风的猝死，为病变匹配最适合的口服。

微生物学双向Transformers解码器(BioBERT)是不断来得新的基于最深处学习新科技的预先操练微生物学语言透露数学方式，旨在用做微生物学重构的挖掘侦查。BioBERT释出于2020上半年，它通过有利于用到来自许多其他数组的非骨架化图表，例如电子卫生记录和病因系统性报告，来反对数学方式操练。紧密结合有力的最深处学习图概率数学方式，这使得研究者人员可以在疗程结果系统性中都包括来得高薄板且确实有益的图表，而习惯的统计系统性则只能做到这一点。

疗程中都时有体的不考虑到性是主要难题

疗程中都风有许多口服以及非口服干预措施，例如缝合外科手术、神经系统调节和饮食疗法。然而，当前的疗程负责管理基准仍然依赖于循序尝试不尽相同的抗中都风口服疗程的试错法。虽然有基于中都风猝死大体类型（局灶性或均面性猝死）的口服选择指南，但在配对系统性时，许多口服有着相似的。对于任何等价的病变，只能预见哪种口服最合理并应当当选初始疗程。尽管新药物激增，消费市场上有20多种药物剂，但有三分之一的病变的中都风猝死只能被抗中都风口服控制。

在世界许多地方，大多数新确诊为中都风的病变是由初级卫生内科医生进行疗程的。如果在刚开始的疗程中都只能控制中都风猝死，则将病变转诊给都可神经系统科护士，如果全面的口服疗程败北，则将其转诊至中都风中都心。这种按部就班的卫生路径意味着在中都风专家审核确实有着敏感性中都风高风险的病变之前，关键的时时有早已流失了。其他疗程选择，例如外科手术，被普遍地相信是最后的策略。可惜的是，特别的时时有延后意味着这些疗程策略确实效果不佳。结果往往是多年的孤独质量急剧下降，生产力急剧下降和死亡率增加。

这一困境确实通过一种准确的、能寻找疗程结果与病变个人特征时有特别联的模式的方式来消除。敏感性中都风高风险的病变这样就可以被及早的分诊，从而设法授予宝贵的附属医院卫生人力。人工智能（AI）和干肝细胞研究者的不断来得新进展使人们了当中都风变异化疗程负责管理将确实很快已成为这种循序疗程途径的可行性替代方案。

A：习惯试错疗程法

BC：人工智能和干肝细胞变异化疗程负责管理

医学人工智能

神经网络悄悄探索在中都风领域里通过测量仪器模式识别来预见和验证中都风的猝死。都只的一项研究者用到了9571例常规收集的头皮测量仪器记录来操练一个最深处建模，该算法在验证猝死期痫样放电方面优于专家。研究者人员还用到了基于时时有序列的算法（例如，在响应当性神经系统刺激子系统中都用到的线长算法）来系统性发挥作用的、接下来得到的颅内测量仪器频谱，以联合开发中都风猝死预警子系统。如果在大规模病因试验中都显然合理，这种子系统可以帮助病变预先管控并急剧下降中都风猝死所导致的受伤。

微生物学双向Transformers解码器(BioBERT)是不断来得新的基于最深处学习新科技的预先操练微生物学语言透露数学方式，旨在用做微生物学重构的挖掘侦查。BioBERT释出于2020上半年，它通过有利于用到来自许多其他数组的非骨架化图表，例如电子卫生记录和病因系统性报告，来反对数学方式操练。紧密结合有力的最深处学习图概率数学方式，这使得研究者人员可以在疗程结果系统性中都包括来得高薄板且确实有益的图表，而习惯的统计系统性则只能做到这一点。

AI上的退步为构建准确的预见口服疗程中都时有体的数学方式带来了希望。斯坦福中都风中都心的一项研究者悄悄联合开发AI数学方式根据参与者的中都风猝死，遗传，物理学，生理，口服和环境图表预见抗中都风口服疗程结果。用做预见口服疗程中都时有体的单纯AI算法和输入图表迄今还有待考虑到。因此，预见的研究者一定会探索来得先进、来得较为简单的图概率AI数学方式，并来进行大型纵向中都风注册图表，以便可以从病变的处方中都挖掘均面的图表。这些研究者确实会通过应当用领域文法处理工具来提取非骨架化图表来增强数学方式。

△ 操练的数学方式在不尽相同的图表集上不加transfer learning做盲测

△ 不尽相同cohort图表集时有的歧异

基因序列组学、干肝细胞和高效率疗程

针对中都风病人的均基因序列组筛查研究者早已发掘显露了来得多的中都风特别基因序列，包括单核苷酸基因序列位点变异（SNVs）和基因序列组热点。据研究者估计，大约有70％的中都风患者确实是由于一种或多种遗传因素所引起的。即使早已有特别研究者的近似于案例，但是迄今尚不清楚传染病表型的断定将在何种程度上影响病因实践中都的疗程权衡。为了消除这一基本知识鸿沟，一项悄悄进行的随机对应当试验旨在考虑到难治性中都风病变的均基因序列组测序的病因效用和费用效益。

如果遗传学基本知识要转化为来得好的疗程方式，那么来得加充分地知晓表型的功能就来得为至关举足轻重。为此，研究者人员有别于了习惯的鸟类和肝细胞哮喘数学方式，将错误的基因序列插入生物的DNA中都。然后通过与对应当或“野生型”状态进行较为来考虑到病因生理学变化。

就中都风而言，针对SCN1A基因序列突变（导致大多数Dret综合征患者的基因序列30）的哮喘数学方式研究者已将抑制性中都时有神经系统元的氯离子通道功能降低确相信中都风特别的病因学系统改变。这一发掘显露导致了对Dret综合征中都口服选择的重新审核，并避免了氯离子通道抑制口服的用到，因为它们确实全面降低神经系统元功能从而导致中都风猝死加剧。

但是在大多数情形下，由于基本哮喘数学方式研究者的局限性，很多SNVs的传染病机理尚不清楚。如果要在中都风疗程中都普遍有别于高效率医学，那么被确认有着表型的病变不必接受快速验证；而且该表型还一定会用体内数学方式进行验证，以审核其病因生理后果和再现哮喘状态，并进行杨丞琳定制的口服疗程测试和选择。

来进行从病变自身肝细胞诱导产生的多潜能干肝细胞（iPSCs）得到人源神经系统元，可以构建非常单纯的中都风哮喘数学方式。iPSCs不仅装载病变自身的遗传图表；而且可以生长或“分化”已成多种肝细胞系，包括多种神经系统肝细胞病毒性。

△ 多种神经系统肝细胞病毒性

这些从病变肝细胞相异授予的神经系统数学方式可以普遍用做研究者表型引起的神经系统特别表观，例如显露现异常的神经系统元其本质和突触传递，这些都是习惯的非神经系统哮喘数学方式只能实现的。该数学方式也早已被用做鉴别装载高传染病性突变基因序列神经系统元的显露现异常表观，如早期发育性癫痫。

基于iPSCs的哮喘数学方式最奇特的绝对优势是能够研究者表型的组合效应当（在单个病变中都断定显露的多个SNV）和基因序列损害未知的情形。然而，在基于iPSCs的数学方式可用做病因疗程之前，还有必需关键在于重重困难。必需来得多的研究者来显然主因活跃的建模表观（一个中都风的病因特征）是否可以在菌类里再现；还必需来得多的研究者来考虑到在这些体内数学方式中都测得的电活动与测量仪器上仔细观察到的中都风样电活动时有的关联。

迄今基于iPSCs的神经系统数学方式有一个潜在局限性，就是缺乏足够的肝细胞较为简单性来建立中都风样活动。为了消除这一难题，研究者人员将研究者转向类脑肝脏（内含在小脑中都发掘显露的多层肝细胞和组织骨架）。增加哮喘数学方式的较为简单性对于精确地实时导致人类中都风的各种肝细胞类型和小脑区域的功能障碍是至关举足轻重的。此外，多电极阵列可以记录网络化神经系统元的协调相互作用，已被用做验证培养的类肝脏发显露的测量仪器样频谱。

基于iPSC的数学方式可以无限期生长，而且不会给病变带来任何风险，因此它们对于在病变特定背景下进行核酸挑选潜在口服非常举足轻重；目的是断定显露个人化的、有具体来说的抗中都风口服。事实上这些数学方式早已败北地用做其他中都枢神经系统子系统哮喘的核酸口服挑选。这样一个个人化的、基于人源肝细胞的口服挑选跨平台可以关键在于我们对习惯啮齿类鸟类数学方式的来得为严重依赖；习惯的豚鼠数学方式阻碍了抗中都风口服的发展；这也来得容易解释为什么三分之一以上的中都风病变缺乏合理的口服疗程。

变异化中都风疗程负责管理的将来

如果要实现变异化的中都风疗程负责管理，不必将新科技退步与改善卫生教育和授予附属医院卫生机会辅以。预见这些结果预见数学方式不仅会对专家历史性，而且将可以帮助预科内科医生用它们对病变进行归类以便急于将其分诊至中都风中都心。

基于AI的病因权衡反对数学方式可以精确地预见每个抗中都风口服对于变异病变的败北疗程的确实性。这些数学方式被转换为的软件并授予美国食品药物品监督负责管理局和其他监管机构的批准，属于“作为医疗保健设备的的软件”类型。该的软件既可以单独用到也可以集已成到电子处方子系统中都，并能通过本质中都的相应当来提高性能。它可以识别敏感性中都风高风险病变，并能急于、且有具体来说地提供昂贵的附属医院卫生或外科手术审核增值。该的软件被显然是经济合理的，可用做应当将为了让病变进到附属医院中都风疗程中都心。

以上文章显露自 ： [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).