机器学习可以提高我们确定了新的药物是否在大脑的工作原理，有可能使研究人员能够检测将完全由常规统计检验错过药物作用的能力，发现发表在新UCL研究脑。“目前的统计模型太简单了。它们无法捕捉到整个人的复杂生物变异，而将它们仅仅当作噪音丢弃。我们怀疑这可以部分解释为什么这么多药物试验在简单动物中起作用而在人的复杂大脑中失效。 ，能够对人类大脑进行完全复杂建模的机器学习可能会发现治疗效果，而这些效果本来是不会被遗漏的。”研究的主要作者，UCL神经学研究所的Parashkev Nachev博士说。

为了测试这一概念，研究团队研究了来自中风患者的大规模数据，提取了每位患者中风导致的脑部损伤的复杂解剖模式，从而在此过程中创建了有史以来组装的中风的解剖学注册图像的最大集合。作为中风影响的指标，他们使用了凝视方向，即从入院时在头部CT扫描上通常从眼睛中观察到的眼睛，以及通常在1-3天后进行的MRI扫描中所观察到的客观方向。

然后，他们模拟了一组假设药物的大规模荟萃分析，以查看是否可以通过机器学习来识别传统统计分析所遗漏的不同幅度的治疗效果。例如，给定一种可以使大脑病变缩小70%的药物治疗方法，他们使用常规(低维)统计测试以及高维机器学习方法测试了显着效果。

机器学习技术考虑了整个大脑是否存在损伤，将中风视为复杂的“指纹”，由多个变量描述。

“卒中试验倾向于使用相对较少的粗略变量，例如病变的大小，而忽略病变是集中在关键区域还是边缘区域。我们的算法改为了解了整个大脑的整个损伤模式，运用了数千个高分辨率的变量。通过阐明解剖结构和临床结果之间的复杂关系，它使我们能够以比传统技术更高的灵敏度检测出治疗效果。”该研究的第一作者徐天波(UCL神经病学研究所)解释说。 。

当研究减少病变本身体积的干预措施时，机器学习方法的优势尤其明显。对于传统的低维度模型，干预措施需要将病变缩小至其体积的78.4%，这样才能在试验中更频繁地检测到效果，而高维度模型则更有可能在手术后检测到效果病变仅缩小了55%。

“即使药物通常将病变的大小缩小一半或更多，传统的统计模型也将无法发挥作用，这仅仅是因为大脑的功能解剖结构的复杂性(如果不加以说明的话)会在临床测量中引入如此多的个体差异性结果，即使对行为没有明显影响，节省50%的患病大脑区域也是有意义的。没有多余的大脑之类的东西，” Nachev博士说。

研究人员说，他们的发现表明，机器学习对医学来说可能是无价的，尤其是当所研究的系统(例如大脑)非常复杂时。

“机器学习的真正价值不在于自动化我们发现自然可以轻松完成的事情，而是形式化非常复杂的决策。机器学习可以将临床医生的直观灵活性与推动循证医学的统计形式结合起来。可以将1000多个变量组合在一起的模型仍然严格且在数学上是合理的。我们现在可以高精度地捕获解剖结构和结果之间的复杂关系，” Nachev博士说。

“我们希望研究人员和临床医生下次需要进行临床试验时开始使用我们的方法，”合著者Geraint Rees教授(UCL生命科学学院院长)说。