AI个体化癫痫治疗管理新时代丨Airdoc莫纳什研究机构最新论文

《the BMJ》-Brain Health（英国期刊脑心理健康张唱片）10副刊发表了关于中的面风病患管理工作的同类别科学研究成果。此次科学研究成果暗示，机器努力学习的的发展再一透过更可靠的数学模型来预见中的面风母体病症的病患结果。均DNA组择优和可用病症共通的干巨噬细胞建立的繁复病因数学模型意味著会在未来会将试错依此替换为中的面风精细病患。本科学研究由Airdoc Monash Research Center戈宗元芝加哥大学设计团队共同莫纳什神经元退化病因科学研究中的面心近日共同完成。

一个多世纪以来，中的面风病患一直是试错依此。虽然有大体类别的制剂物同样指南，但制剂应该见效，只能可用后才明白，如果没效就要再再进一步试着下一种制剂，以此类推直到找寻合适的病患方依此。因此太长病程的病症不在少数。但此次Patrick Kwan(关国良)及熟人探讨显然未来会通过AI预见中的面风的中的面风，为病症比如说最适合的制剂物。

应用科学双向TransformersJPEG(BioBERT)是同类别的基于广度努力学习种系统设计的预先特训应用科学句法表示数学模型，宗旨常用应用科学文本的挖掘目标。BioBERT发布于2020月，它通过倡导可用来自许多其他样本类别的非示例样本，例如自由电子心理健康据信和诊断分析报告，来拥护数学模型特训。紧密结合薄弱的广度努力学习图标准差数学模型，这使得科学研究部门可以在病患结果统计分析中的面都有更高粒度且意味著适合于的接收者，而宗教特质的统计统计分析则无依此做到这一点。

病患自由基的不已确定特质是主要缺陷

病患中的面风有许多制剂物以及非制剂物打压预防措施，例如外科手术开刀、神经元可调和饮食疗依此。然而，当前的病患管理工作准则即便如此依靠于循序试着不尽相同的抗中的面风制剂物病患的试错依此。虽然有基于中的面风中的面风大体类别（局灶特质或均面特质中的面风）的制剂物同样指南，但在第一组统计分析时，许多制剂物具有相似的。对于任何给定的病症，无依此预见哪种制剂物最有效率并应以被选为初始病患。尽管新制剂暴增，市场上有20多种制剂剂，但有三分之一的病症的中的面风中的面风无依此被抗中的面风制剂物控制。

在世界许多偏远地区，大多数新诊断为中的面风的病症是由初级保健牙医来进行病患的。如果在早先的病患中的面无依此控制中的面风中的面风，则将病症转诊给一般来说神经元科外科，如果再进一步的制剂物病患失败，则将其转诊至中的面风中的面心。这种按部就班的诊疗轨迹意味著在中的面风技术人员审核意味著具有耐制剂特质中的面风高自愿性的病症之前，关键的星期已经受到因素了。其他病患同样，例如开刀，被广泛地显然是最后的手段。可惜的是，之外的星期阻挠意味著这些病患手段意味著优点不佳。结果往往是多年的生活数量级下降，生产力下降和死亡率增加。

这一困境意味著通过一种可靠的、能找寻病患结果与病症更进一步特特质间之外联的种种系统的方依此来解决问题。耐制剂特质中的面风高自愿性的病症这样就可以被短星期内的分诊，从而早日得到弥足珍贵的现代医学系诊疗资源。认知科学（AI）和干巨噬细胞科学研究的同类别进展使人们寄希望于中的面风表征病患管理工作将意味著很快踏入这种循序病患途径的可行特质替代方案。

A：宗教特质试错病患依此

BC：认知科学和干巨噬细胞表征病患管理工作

现代医学认知科学

机器努力学习正试图探索在中的面风领域中的通过运动控制种种系统标识来预见和检测中的面风的中的面风。不太意味著的一项科学研究可用了9571例正因如此收集的下巴运动控制据信来特训一个广度建模，该算依此在检测中的面风期痫样放电方面相对于技术人员。科学研究部门还可用了基于星期氨基酸的算依此（例如，在响应以特质神经元诱导种系统中的面可用的线长算依此）来统计分析借助于的、持续赚取的颅内运动控制信号，以开发中的面风中的面风预警种系统。如果在大规模诊断实验中的面暗示有效率，这种种系统可以希望病症预先防范并减缓中的面风中的面风所引发的丧命。

应用科学双向TransformersJPEG(BioBERT)是同类别的基于广度努力学习种系统设计的预先特训应用科学句法表示数学模型，宗旨常用应用科学文本的挖掘目标。BioBERT发布于2020月，它通过倡导可用来自许多其他样本类别的非示例样本，例如自由电子心理健康据信和诊断分析报告，来拥护数学模型特训。紧密结合薄弱的广度努力学习图标准差数学模型，这使得科学研究部门可以在病患结果统计分析中的面都有更高粒度且意味著适合于的接收者，而宗教特质的统计统计分析则无依此做到这一点。

AI上的的发展为构建可靠的预见制剂物病患自由基的数学模型带来了希望。韦伯斯特中的面风中的面心的一项科学研究正试图开发AI数学模型根据参与者的中的面风中的面风，基因突变，物理，生理，制剂物和环境样本预见抗中的面风制剂物病患结果。常用预见制剂物病患自由基的理想AI算依此和输入样本目前还有待已确定。因此，未来会的科学研究应以当探索更技术、更繁复的图标准差AI数学模型，并来来进行大型斜向中的面风登记样本，以便可以从病症的出有中的面挖掘均面的接收者。这些科学研究意味著会通过应以用自然句法处置工具箱来提取非示例样本来增强数学模型。

△ 特训的数学模型在不尽相同的样本集上不加transfer learning做盲测

△ 不尽相同cohort样本集彼此间的差异

DNA组学、干巨噬细胞和精细病患

针对中的面风病人的均DNA组肾结石科学研究已经发现了更为多的中的面风之外DNA，都有单核苷酸DNA启动子变异（SNVs）和DNA组近来。据科学研究预估，大约有70％的中的面风病症意味著是由于一种或多种基因突变因素引起的。即使已经有之外科学研究的近似于案例，但是目前尚不正确致病多态特质的确认将在何种持续性上因素诊断实践中的面的病患对政府。为了解到决这一知识相互合作，一项正试图来进行的随机对照实验宗旨已确定难治特质中的面风病症的均DNA组测序的诊断诱因和成本宏观经济特质。

如果基因突变知识要转化为更快的病患方依此，那么更为充分地了解到多态特质的系统就变得至关举足轻重。为此，科学研究部门使用了宗教特质的动物和巨噬细胞病因数学模型，将错误的DNA抽出动物细胞的DNA中的面。然后通过与对照或“野生型”状态来进行比较来已确定病理生理学变化。

就中的面风而言，针对SCN1ADNA突变（引发大多数Dret综合征病症的DNA30）的病因数学模型科学研究已将抑制特质中的面间神经元的钠离子连接处系统减缓确显然中的面风之外的病理学机制改变。这一发现引发了对Dret综合征中的面制剂物同样的再再进一步次审核，并避免了钠离子连接处阻断制剂物的可用，因为它们意味著再进一步减缓神经元系统从而引发中的面风中的面风愈演愈烈。

但是在大多数完均，由于现有病因数学模型科学研究的即便如此，很多SNVs的致病机理尚不正确。如果要在中的面风病患中的面广泛使用精细现代医学，那么被确认具有多态特质的病症不必接受较快检测；而且该多态特质还应以当用体外数学模型来进行体检，以审核其病理生理后果和遗忘病因状态，并来进行订做独创的制剂物病患测试和同样。

来来进行从病症自身巨噬细胞诱导激发的多潜能干巨噬细胞（iPSCs）赚取人源神经元，可以构建并不理想的中的面风病因数学模型。iPSCs不仅带上病症自身的基因突变接收者；而且可以土壤或“分化”成多种巨噬细胞系，都有多种神经元巨噬细胞流感病毒。

△ 多种神经元巨噬细胞流感病毒

这些从病症巨噬细胞共通得到的神经元数学模型可以广泛常用科学研究多态特质引起的神经元之外表型，例如异常的神经元形态和细胞膜传导，这些都是宗教特质的非神经元病因数学模型无依此实现的。该数学模型也已经被常用确认带上高致病特质突变DNA神经元的异常表型，如以前生殖特质脑病。

基于iPSCs的病因数学模型最独特的占优是能够科学研究多态特质的组合效应以（在单个病症中的面确认出的多个SNV）和DNA损伤未知的情况。然而，在基于iPSCs的数学模型可常用诊断病患之前，还有只能摆脱重重困难。只能更多的科学研究来暗示过度为人所知的建模表型（一个中的面风的诊断特特质）应该可以在墨水中的遗忘；还只能更多的科学研究来已确定在这些体外数学模型中的面测得的电活动与运动控制上仔细观察到的中的面风样电活动彼此间的关联。

目前基于iPSCs的神经元数学模型有一个潜在即便如此，就是缺乏足够的巨噬细胞繁复特质来建立中的面风样活动。为了解到决这一缺陷，科学研究部门将科学研究方向移动类脑心脏（含有在神经元中的面发现的多层巨噬细胞和组织结构）。增加病因数学模型的繁复特质对于可靠地模拟引发人类中的面风的各种巨噬细胞类别和神经元区域的系统障碍是至关举足轻重的。此外，多阳极阵列可以据信新媒体神经元的相互合作交互作用，已被常用检测培养的类心脏发出的运动控制样信号。

基于iPSC的数学模型可以暂时土壤，而且不会给病症带来任何自愿性，因此它们对于在病症特定文化背景下来进行测序择优潜在制剂物并不举足轻重；旨在是确认出独特的、有具体来说的抗中的面风制剂物。事实上这些数学模型已经出乎意料地常用其他中的面枢神经元种系统病因的测序制剂物择优。这样一个独特的、基于人源巨噬细胞的制剂物择优平台可以摆脱我们对宗教特质啮齿类动物数学模型的严重依靠；宗教特质的野猫数学模型阻碍了抗中的面风制剂物的的发展；这也有助于解释为什么三分之一以上的中的面风病症缺乏有效率的制剂物病患。

表征中的面风病患管理工作的将来

如果要实现表征的中的面风病患管理工作，不必将种系统设计的发展与强化心理健康教育和得到现代医学系诊疗良机相紧密结合。未来会这些结果预见数学模型不仅会对技术人员有价值，而且将可以希望均科牙医用它们对病症来进行界定以便即刻将其分诊至中的面风中的面心。

基于AI的诊断对政府拥护数学模型可以可靠地预见每个抗中的面风制剂物对于母体病症的出乎意料病患的自愿性。这些数学模型被转换为软件并得到美国牛奶制剂品监督管理工作局和其他税务的机构的批准，统称“作为卫生保健器材的软件”类别。发行版既可以单独可用也可以集成到自由电子出有种系统中的面，并能通过现实中的面的一个种系统来提高特质能。它可以标识耐制剂特质中的面风高自愿性病症，并能即刻、且有具体来说地透过昂贵的现代医学系诊疗或开刀审核服务于。发行版被暗示是宏观经济有效率的，可常用必需安排病症进入现代医学系中的面风病患中的面心。

以上文章出自 ： [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).