헬스케어를 위한 인공지능 도구 개발

인공 지능 접근 방식인 강화 학습은 의사가 환자 치료 결과를 개선하기 위한 순차적 치료 전략을 설계하도록 안내할 수 있는 잠재력을 가지고 있지만, 이를 임상 환경에 적용하려면 상당한 개선이 필요하다는 것이 Weill Cornell 의대와 Rockefeller University 연구자들의 새로운 연구에서 밝혀졌습니다.

강화 학습(RL)은 시간이 지남에 따라 일련의 결정을 내릴 수 있는 기계 학습 알고리즘의 한 종류입니다. 체스와 바둑에서 초인적인 성과를 거두는 등 최근 AI의 발전을 담당한 RL은 변화하는 환자 상태, 검사 결과 및 이전 치료 반응을 사용하여 개인화된 환자 치료의 다음 단계를 제안할 수 있습니다. 이 접근 방식은 만성 또는 정신 질환을 관리하기 위한 의사 결정에 특히 유망합니다.

신경 정보 처리 시스템(NeurIPS) 컨퍼런스 논문집 에 게재되고 12월 13일에 발표된 이 연구에서는 헬스케어를 위한 최초의 RL 벤치마크인 "Episodes of Care"(EpiCare)를 소개합니다.

"벤치마크는 컴퓨터 비전, 자연어 처리, 음성 인식 및 자율 주행 자동차를 포함한 머신 러닝 애플리케이션 전반에 걸쳐 개선을 주도했습니다. 이제 벤치마크가 헬스케어에서 RL 진전을 촉진하기를 바랍니다." 연구를 주도한 정신과 신경과학 조교수인 로건 그로세닉 박사의 말입니다.

RL 에이전트는 받은 피드백을 기반으로 행동을 개선하고 점차적으로 의사 결정을 향상시키는 정책을 학습합니다. "그러나 우리의 연구 결과에 따르면 현재 방법은 유망하지만 엄청나게 많은 데이터를 필요로 합니다." Grosenick 박사가 덧붙였습니다.

연구자들은 먼저 EpiCare에서 최첨단 온라인 RL 모델 5개의 성능을 테스트했습니다. 5개 모두 표준 치료 기준을 능가했지만, 수천 또는 수만 건의 현실적인 시뮬레이션 치료 에피소드에 대한 훈련을 거친 후에야 가능했습니다. 현실 세계에서 RL 방법은 환자에게 직접 훈련되지 않으므로, 연구자들은 다음으로 5개의 일반적인 "정책 외 평가"(OPE) 방법을 평가했습니다. 이는 온라인 데이터 수집의 필요성을 피하기 위해 과거 데이터(예: 임상 시험)를 사용하는 것을 목표로 하는 인기 있는 접근 방식입니다. EpiCare를 사용하여 최첨단 OPE 방법은 의료 데이터에 대해 지속적으로 정확한 성능을 발휘하지 못한다는 것을 발견했습니다.

"저희의 연구 결과는 현재의 최첨단 OPE 방법이 종단적 의료 시나리오에서 강화 학습 성과를 정확하게 예측하는 데 신뢰할 수 없다는 것을 보여줍니다." 록펠러 대학교의 연구 펠로우인 첫 번째 저자 메이슨 하그레이브 박사가 말했습니다. OPE 방법이 의료 애플리케이션에 대해 점점 더 논의됨에 따라, 이 발견은 기존 RL 접근 방식을 감사하고 개선을 측정하기 위한 지표를 제공하기 위해 EpiCare와 같은 보다 정확한 벤치마킹 도구를 개발해야 할 필요성을 강조합니다.

"이 작업이 의료 환경에서 강화 학습의 보다 신뢰할 수 있는 평가를 용이하게 하고 의료 응용 프로그램에 적합한 더 나은 RL 알고리즘과 훈련 프로토콜의 개발을 가속화하는 데 도움이 되기를 바랍니다."라고 Grosenick 박사는 말했습니다.

그래프 데이터 해석을 위한 합성 신경망 적용

같은 날 발표된 두 번째 NeurIPS 간행물에서 Grosenick 박사는 이미지를 처리하는 데 널리 사용되는 합성 신경망(CNN)을 뇌, 유전자 또는 단백질 네트워크와 같은 보다 일반적인 그래프 구조 데이터에 적용하는 것에 대한 연구를 공유했습니다. 2010년대 초반에 이미지 인식 작업에 CNN이 널리 성공하면서 CNN을 사용한 "딥 러닝"과 신경망 기반 AI 애플리케이션의 현대 시대를 위한 토대가 마련되었습니다. CNN은 얼굴 인식, 자율 주행 자동차, 의료 이미지 분석을 포함한 많은 애플리케이션에 사용됩니다.

"우리는 종종 이미지보다는 정점과 모서리가 있는 그래프와 더 비슷한 신경영상 데이터를 분석하는 데 관심이 있습니다. 하지만 그래프 구조 데이터에 대해 CNN과 딥 CNN과 진정으로 동등한 것은 없다는 것을 깨달았습니다."라고 그로세닉 박사는 말했습니다.

뇌 네트워크는 일반적으로 뇌 영역(정점으로 표현됨)이 서로 연결되고 그 사이의 강도를 나타내는 "에지"를 따라 다른 뇌 영역(정점)으로 정보를 전파하는 그래프로 표현됩니다. 이는 유전자 및 단백질 네트워크, 인간 및 동물 행동 데이터, 약물과 같은 화학 화합물의 기하학에도 해당합니다. 이러한 그래프를 직접 분석함으로써 로컬 연결과 더 먼 연결 간의 종속성과 패턴을 보다 정확하게 모델링할 수 있습니다.

연구 당시 Grosenick 연구실에 있었고 논문의 첫 번째 저자였던 연구원인 Isaac Osafo Nkansah는 CNN을 그래프로 일반화하는 Quantized Graph Convolutional Networks(QuantNets) 프레임워크를 개발하는 데 도움을 주었습니다. Grosenick 박사는 "이제 환자의 EEG(전기적 뇌 활동) 데이터를 모델링하는 데 사용하고 있습니다. 두피에 256개의 센서를 배치하여 신경 활동을 판독할 수 있습니다. 이것이 그래프입니다."라고 말했습니다. "우리는 그 큰 그래프를 더 해석하기 쉬운 구성 요소로 축소하여 환자가 우울증이나 강박 장애 치료를 받을 때 동적 뇌 연결성이 어떻게 변하는지 더 잘 이해하고 있습니다."

연구자들은 QuantNets의 광범위한 적용 가능성을 예상합니다. 예를 들어, 그들은 또한 마우스 모델과 컴퓨터 비전을 사용하여 추출된 인간의 얼굴 표정에서 행동을 추적하기 위해 그래프 구조의 포즈 데이터를 모델링하려고 합니다.

"우리는 여전히 최첨단 AI 방법을 환자 치료에 적용하는 것의 안전성과 복잡성을 탐색하고 있지만, 새로운 벤치마킹 프레임워크이든 더 정확한 모델이든 모든 진전은 환자 건강 결과를 크게 개선할 수 있는 잠재력이 있는 개인화된 치료 전략에 점진적으로 더 가까이 다가가게 합니다."라고 Grosenick 박사는 결론지었습니다.

출처: https://www.sciencedaily.com/releases/2024/12/241217201609.htm