Клинические испытания новых методов лечения делятся на несколько этапов, называемых фазами. На самых ранних этапах испытаний нужно учитывать безопасность лекарственного средства или побочные эффекты, которые оно вызывает. Более поздние фазы испытаний направлены на то, чтобы проверить, лучше ли новое лечение, чем существующие.
Существует 3 основных фазы клинических испытаний — фазы с 1 по 3. Испытания фазы 1 — это самые ранние фазы испытаний, а испытания фазы 3 — испытания более поздней фазы.
Некоторые испытания имеют более раннюю стадию, называемую фазой 0, а некоторые испытания фазы 4 проводятся после того, как лекарство было лицензировано.
Фазы клинических исследований
Мы можем генерировать синтетические табличные данные после каждой фазы и анализировать. Выполнять экстраполяцию выборки при помощи нейронных сетей.
Фазы клинических испытаний в будущем или может быть уже сейчас?
Как я реализовал этот принцип в своем проекте «Неинвазивная прогнозируемая AI-коронарография» ?
Я создал нейронную сеть, которая генерирует синтетические табличные данные. Так как на вход нейросети подается изображение ЭКГ и структурированные данные, я сделал GAN, который одновременно генерирует изображение и данные, сохраняя при этом потоковую зависимость. И сгенерировал 1500000 наблюдений.
Мне было интересно проверить, насколько точна обученная нейронная сеть на чрезвычайно большой выборке, сгенерированной GAN.
На вход генератора подавались 100 случайных чисел с нормальным распределением. На выходе сгенерировано изображение (200, 200) и структурированные табличные данные размера (1, 35). (одна строка, 35 столбцов). Внутри генератора был уровень обобщения, чтобы поддерживать поток данных между строкой таблицы и изображением. Входными данными дискриминатора были сгенерированное изображение размера (200, 200) вместе с реальными изображениями ЭКГ (200, 200) и сгенерированные табличные данные размера (1, 35) вместе с реальными табличными данными. На выходе дискриминатор выдавал бинарную классификацию, соответствующую реальным данным и синтетическим.
Таким образом, было необходимо, чтобы две нейронные сети превзошли друг друга. Одна нейросеть пыталась сгенерировать изображение и таблицу, которые дискриминатор не отличал от реальных, пыталась искать признаки, характерные для реального изображения и таблицы, чтобы отличить сгенерированные изображения и таблицу от реальных.
Я считаю, что использование GAN должно быть внедрено в практику клинических исследований в обязательном порядке.
