机器学习工具预测早产儿肠道疾病

坏死性小肠结肠炎(NEC)是一种危及生命的肠道疾病的早产儿。它的特点是突然和进行性肠道炎症和组织死亡，在美国，每年有多达11000名早产儿受到影响，其中15- 30%的婴儿死于NEC。幸存者经常面临长期的肠道和神经发育并发症。

来自哥伦比亚工程大学和匹兹堡大学的研究人员已经开发了一种敏感和特异的早期预警系统，可以在早产儿NEC发生前预测该疾病。该原型利用粪便微生物组特征，结合临床和人口统计学信息，准确、早期预测NEC。这项初步研究于7月23日在ACM CHIL 2020上以虚拟方式公布。“令人惊讶的是,我们可以使用机器学习来阻止这事发生婴儿,”研究报告的合著者说,Ansaf Salleb-Aouissi,学科高级讲师从哥伦比亚大学计算机科学系工程和人工智能专家医疗信息学及其应用。“我们研究了这些数据，并开发了一种真正有用的工具，甚至可以挽救生命。”

“如果医生能够在婴儿真正生病之前准确预测NEC，他们可以采取一些非常简单的治疗步骤，包括停止喂食、静脉输液和开始使用抗生素，以防止长期残疾或死亡等最糟糕的结果。”该研究的第一作者Thomas A. hoven说，他开始与Salleb-Aouissi合作时，他还是哥伦比亚大学医学中心新生儿-围产期科的儿科学助理教授。他现在是匹兹堡大学医学院新生医学部儿科的助理教授。

目前，还没有工具可以预测哪些早产儿会患上这种疾病，而NEC通常在发现时已经为时已晚，无法进行有效干预。NEC是早产儿中最常见的肠道急症。其特点是迅速进展的肠坏死、菌血症、酸中毒和高发病率和死亡率。

NEC的病因还不清楚，但有几项研究集中在肠道微生物群的变化上，这些肠道细菌的组成可以从小粪便样本的DNA测序中确定。研究人员假设，利用机器学习方法对来自早产儿的临床、人口统计和微生物组数据进行建模，可能会在临床发病之前就对NEC高危患者进行鉴别，这将允许早期干预和减轻严重并发症。

hoven、Salleb-Aouissi和Lin使用了美国国立卫生研究院2016年一项早产儿临床研究的数据，这些早产儿的粪便收集于2009年至2013年间的几个美国新生儿icu中。研究小组检查了来自161名早产儿的2895份粪便样本，其中45人患有NEC。考虑到微生物组数据的复杂性，研究人员进行了几个数据预处理步骤，以降低其维数，并解决该数据的组成和层次性质，以利用其进行机器学习。“NEC代表了一个优秀的应用机器学习的角度来看,”Salleb-Aouissi说。“我们从新技术中学到的经验可以很好地转化为其他基因或蛋白质组数据集，并启发医疗保健数据集的新机器学习算法。”

该团队评估了几种机器学习方法，以确定从微生物组数据预测NEC的最佳策略。他们发现了基于注意力的门控多实例学习(MIL)方法的最佳性能。

由于人类微生物群落易发生变化，MIL方法解决了问题的顺序方面。例如，在婴儿出生后的头20天里，婴儿的微生物群经历了剧烈的变化。许多研究表明，微生物群多样性较高的婴儿通常更健康。“这让我们认为，微生物群落多样性的变化可以帮助解释为什么一些婴儿更容易患NEC病，”计算机科学硕士学生亚当·林(Adam Lin)说，他是这项研究的合著者，正是这项研究的工作促使他现在攻读博士学位。

该团队没有将婴儿的微生物组样本视为独立的，而是将每个患者视为样本的集合，并应用注意力机制来学习样本之间的复杂关系。机器学习算法“观察”每个包，并试图从里面的东西猜测婴儿是否受到影响。

在反复试验中，该模型区分受影响婴儿和未受影响婴儿的能力具有良好的敏感性和特异性。Salleb-Aouissi指出:“ROC曲线下面积(Area Under The ROC Curve, AUC)约为0.9，这表明我们的模型能够很好地区分受影响和未受影响的患者。”“我们的系统是第一个有效的临床应用机器学习模型系统，它结合了微生物组、人口统计学和临床数据，可以在新生儿ICU中实时收集和监测。我们很高兴将其应用范围扩展到医学预测监测的新领域。”

研究人员目前正在开发一种非侵入性独立检测平台，用于在临床发病前准确识别高危婴儿NEC，以防止最坏的结果。一旦平台准备就绪，他们将进行随机临床试验，在新生儿ICU实时队列中验证他们的技术预测。胡文说:“我第一次可以预见到这样一个未来，早产儿的父母和他们的医疗团队不再生活在对NEC的持续恐惧中。”