利用数字病理学与因果学习改进嗜酸性食管炎的膳食治疗分配
机器学习
2023-04-18 v1
摘要
嗜酸性食管炎(EoE)是一种慢性的、由食物抗原驱动的食管过敏性炎症性疾病,与食管嗜酸性粒细胞升高相关。EoE是GERD之后慢性吞咽困难的首要病因。EoE的诊断依赖于在组织学切片中计数嗜酸性粒细胞,这是一项人工且耗时的任务,限制了提取复杂患者依赖特征的能力。EoE的治疗包括药物和食物剔除。个性化的食物剔除方案对于依从性和疗效至关重要,但此前的尝试未能产生显著结果。在本工作中,一方面,我们利用AI从整张活检切片中推断组织学特征,这些特征是无法手动提取的。另一方面,我们开发了能够处理这一丰富数据的因果学习模型。我们将该方法应用于'六食物 vs. 一食物嗜酸性食管炎膳食研究',其中112名18-60岁、患有活动性EoE的有症状成人被分配到六食物剔除膳食(6FED)或一食物剔除膳食(1FED)组,为期六周。我们的结果显示,与1FED治疗相比,6FED治疗的平均处理效应(ATE)不显著,即两种膳食均无优劣之分。我们考察了若干因果模型,并表明最佳治疗策略是通过带两个XGBoost模块的T-learner获得的。虽然仅1FED和仅6FED仅为35%-38%的患者带来改善,这与随机治疗分配无显著差异,但我们的因果模型显著提升了改善率,达到58.4%。本研究说明了通过分析组织学切片中分子特征分布并进行因果学习,AI在优化治疗规划中的重要意义。我们的方法可用于其他依赖组织学进行诊断和治疗的情况。
引用
@article{arxiv.2304.07787,
title = {Harnessing Digital Pathology And Causal Learning To Improve Eosinophilic Esophagitis Dietary Treatment Assignment},
author = {Eliel Aknin and Ariel Larey and Julie M. Caldwell and Margaret H. Collins and Juan P. Abonia and Seema S. Aceves and Nicoleta C. Arva and Mirna Chehade and Evan S. Dellon and Nirmala Gonsalves and Sandeep K. Gupta and John Leung and Kathryn A. Peterson and Tetsuo Shoda and Jonathan M. Spergel and Marc E. Rothenberg and Yonatan Savir},
journal= {arXiv preprint arXiv:2304.07787},
year = {2023}
}
备注
11 pages, 5 figures