利用迁移迁移学习克服区域效应实现微生物特征的跨区域疾病诊断
最后发布时间:2023-01-05 09:38:46
浏览量:
2022年10月，华中科技大学生命学院系统生物学与生物信息学系宁康教授团队，以华中科技大学为唯一单位在胃肠病学、肝病学国际顶尖期刊《GUT》发表题为“Overcoming regional limitations: Transfer learning for cross-regional microbial-based diagnosis of diseases”的研究论文，提出利用迁移学习来克服区域效应，实现基于微生物特征的跨区域疾病诊断。
提出问题
由于地理位置因素的影响，不同地区人群肠道微生物有非常明显的异质性。目前基于微生物特征的机器学习方法已经被用于不同类型疾病的诊断当中，但是由于无法克服区域效应，这些方法进行跨区域疾病诊断时准确性会大大折扣，无法满足基于微生物的跨区域疾病诊断的需求。
解决方案
针对上述问题，科研人员提出一种融合迁移学习以及神经网络的框架，此框架可以借用一个地区成熟的疾病诊断知识，用于另一个地区的疾病诊断，从而克服区域效应，实现基于微生物的跨区域疾病诊断。
结论
在本工作中，科研人员将此框架应用于来自广东肠道微生物组项目（GGMP）的6,998个粪便微生物组样本，根据其来源将其划分为14个不同的地级市（区）。据结果显示，与从头训练模型相比，迁移学习模型进行跨地级市疾病诊断的准确性最具优势，并且将其应用到跨洲际队列的疾病诊断当中时，迁移学习模型仍具有更优越的准确性。此外，科研人员通过迁移学习发现了受地域因素影响作用较大的菌种，例如Clostridium，这些菌种可能对迁移学习模型在跨区域疾病诊断当中的有效性具有潜在的贡献。
这项研究为利用人工智能技术突破区域限制，在临床试验中实现基于微生物特征的跨区域疾病诊断提供了新的可行的途径。
迁移学习
