基于自我组织的神经网络的生成人工智能与嵌入式错误膨胀控制增强了有效的知识提取从临床前研究减少样本大小的样本大小

科学领域:

• 生物医学研究的研究.
• 人工智能的人工智能是人工智能.
• 数据科学是数据科学.

背景情况:

• 临床前研究中的小样本大小限制了可靠的知识提取和转化进展.
• 目前的方法很难有效地增加有限的生物医学数据,同时控制统计错误.

研究的目的:

• 介绍genESOM,一种用于增强小型生物医学数据集的新型生成AI方法.
• 证明genESOM控制alpha-error通胀的能力,并使安全,可解释的数据增强成为可能.
• 通过使用临床前多发性硬化症数据集,评估genESOM与其他生成模型的性能.

主要方法:

• 开发了genESOM,一种基于新兴的自我组织地图的生成AI方法,将结构学习与数据合成分开.
• 通过可控数据增强的维度调制进行集成的错误传播缓解.
• 将genESOM应用于从临床前EAE多发性硬化症研究中减少的数据集 (18只小鼠) (最初26只小鼠,62个脂质介质).

主要成果:

• 将样本从26只小鼠减少到18只,在统计和机器学习分析中消除了可检测的群体差异.
• 将减少的数据集与genESOM生成的病例增加,恢复了治疗特定的隔离,并确定了关键的脂质介质.
• 在类似的约束条件下,genESOM在没有虚假阳性的情况下实现了高保真性,超过了高斯混合和条件GAN模型.

结论:

• genESOM提供了一个强大的,错误控制的框架,用于增强从有限的临床前数据中提取知识.
• 由人工智能驱动的合成数据增强可以支持探索性分析,并可能减少对动物实验的需求.
• genESOM 证明了克服临床前研究数据局限性的可行策略.