[論文レビュー] Artificial Intelligence for In Silico Clinical Trials: A Review

Zifeng Wang, Chufan Gao+2 more|arXiv (Cornell University)|Sep 16, 2022

Statistical Methods in Clinical Trials被引用数 9

ひとこと要約

本論文は、臨床シミュレーション、個別化予測モデリング、コンピュータ支援治験設計の3分野に焦点を当て、in silico 臨床試験における人工知能（AI）および機械学習（ML）の応用をレビューする。MLの定式化、データソースを提示し、データ不足、分布外一般化、低データ状況といった主な課題を特定する。一方で、データ共有を伴わずにクロストライアル連携を可能にするフェデレーテッドラーニングが、有望な解決策であると強調する。

ABSTRACT

A clinical trial is an essential step in drug development, which is often costly and time-consuming. In silico trials are clinical trials conducted digitally through simulation and modeling as an alternative to traditional clinical trials. AI-enabled in silico trials can increase the case group size by creating virtual cohorts as controls. In addition, it also enables automation and optimization of trial design and predicts the trial success rate. This article systematically reviews papers under three main topics: clinical simulation, individualized predictive modeling, and computer-aided trial design. We focus on how machine learning (ML) may be applied in these applications. In particular, we present the machine learning problem formulation and available data sources for each task. We end with discussing the challenges and opportunities of AI for in silico trials in real-world applications.

研究の動機と目的

• in silico 臨床試験におけるAIおよびMLの応用を、臨床シミュレーション、個別化予測モデリング、コンピュータ支援治験設計の3分野にわたり体系的にレビューすること。
• 各タスクにおける機械学習問題の定式化（データ表現およびモデリング目的を含む）を特定・形式化すること。
• in silico 治験研究に特に関連するデータソースおよびベンチマークをリスト化すること、特に治験の受入基準および予後予測に焦点を当てる。
• 大規模データセットの不足、分布外一般化、低サンプルサイズ状況といった、臨床試験におけるMLの実装における主な課題を浮き彫りにすること。
• フェデレーテッドラーニングを、データプライバシーを守りつつ組織間でのモデル学習を可能にするフレームワークとして検討すること。

提案手法

• in silico 臨床試験におけるAI応用を、主に3つのトピックに分類する：臨床シミュレーション（例：デジタルツイン）、個別化予測モデリング、コンピュータ支援治験設計。
• 各タスクに適した機械学習定式化を提案する。例えば、条件付き生成モデル（例：条件付き制限ボルツマンマシン）を用いた集団レベルの結果予測や、基準影響分析にシャープレイ値を用いる。
• 電子歴史（EHR）、電子データ収集（EDC）システム、臨床試験レジストリ（例：ClinicalTrials.gov）を、学習および評価の主なデータソースとして使用する。
• クラスタリング手法（例：k-means）および解釈可能性手法（例：シャープレイスコア）を用い、集団サイズおよびハザード比の結果に与える受入基準の影響を評価・最適化する。
• フェデレーテッドラーニングを、生データを共有せずに複数の臨床試験にまたがるモデル学習を可能にする手法として提案する。これにより、プライバシー保護とデータの非同一性の両方の課題に対処できる。
• 既存のベンチマーク（例：治験結果予測のためのTOPベンチマーク）をレビューし、標準化されたデータセットの不足が主な制限要因であると特定する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、in silico 臨床試験のための仮想患者集団をどのようにシミュレートできるか？
• RQ2 患者固有のデータに基づいて、治療結果を正確に個別化予測するための機械学習技術は何か？
• RQ3 AIを活用して、受入基準の影響が集団サイズおよび結果指標に与える影響をどのように最適化できるか？
• RQ4 AI駆動のin silico 臨床試験を支える主なデータソースおよびモデル定式化は何か？
• RQ5 データ不足、分布外性能、低サンプルサイズ一般化といった主な課題は何か？

主な発見

• AIを活用したin silico 臨床試験は、合成患者集団を生成することで仮想コントロール群を大幅に拡大でき、追加の現実世界の被験者募集なしに統計的パワーを向上させられる。
• シャープレイ値とクラスタリングを用いた機械学習モデルは、個々の受入基準が集団特性およびハザード比に与える影響を定量的に評価でき、データ駆動型プロトコル最適化を可能にする。
• 進展は見られるものの、臨床試験記録のわずか一部しか公開されておらず、予後予測のためのTOPベンチマークを除き、大規模なベンチマークデータセットは存在しない。
• 分布外一般化は依然として大きな課題であり、特にサンプル数が限られる希少疾患では、データ分布のシフトが顕著に現れる。
• フェデレーテッドラーニングは、直接的なデータ共有なしにクロストライアルでのモデル学習を可能にする有望な道筋を示しているが、試験間でのデータ非同一性が依然として大きな障壁である。
• トランスファーラーニングおよびモデル適応は、特に第I期および第II期試験で一般的な低データ状況に対処するための重要な戦略である。