TrialGraph：基于图建模与机器智能的临床试验洞察
机器学习
2021-12-16 v1 人工智能
机器学习
定量方法
摘要
药物研发成功的主要障碍在于临床试验的复杂性、成本与规模。临床试验数据详尽的内部结构使得传统优化难以实现。机器学习尤其是图结构数据分析的最新进展，有潜力在改进临床试验设计方面取得显著进展。TrialGraph旨在应用这些方法学，构建一个概念验证框架，用于开发可辅助药物研发并惠及患者的模型。本工作中，我们首先介绍一个从CT.gov、AACT与TrialTrove数据库编译的精选临床试验数据集（n=1191项试验；代表一百万患者），并描述将该数据转换为图结构格式的过程。随后我们详述若干图机器学习算法的数学基础与实现，这些算法通常在嵌入低维特征空间的图数据上使用标准机器分类器。我们训练这些模型，在给定疾病、既有病症与治疗方案信息的情况下预测临床试验的副作用信息。MetaPath2Vec算法表现极为优异，标准Logistic回归、决策树、随机森林、支持向量与神经网络分类器的典型ROC-AUC分数分别为0.85、0.68、0.86、0.80与0.77。值得注意的是，当在等价的数组结构数据上训练时，表现最佳的分类器仅能产生典型的0.70 ROC-AUC分数。我们的工作表明图建模能显著提升在合适数据集上的预测精度。该项目后续版本通过精炼建模假设并纳入更多数据类型，可产生具有药物研发现实应用的优秀预测器。
引用
@article{arxiv.2112.08211,
title = {TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of Clinical Trials},
author = {Christopher Yacoumatos and Stefano Bragaglia and Anshul Kanakia and Nils Svangård and Jonathan Mangion and Claire Donoghue and Jim Weatherall and Faisal M. Khan and Khader Shameer},
journal= {arXiv preprint arXiv:2112.08211},
year = {2021}
}
备注
17 pages (Manuscript); 3 pages (Supplemental Data); 9 figures