在阅读此文之前，麻烦您点击一下“关注”，既方便您加入讨论和分享，又能给您带来不一样的阅读体验，感谢您的支持
文|墨卿烟
编辑|墨卿烟
前言
样本量估计是临床试验的重要组成部分，因为后者是确保安全性和有效性的基石，足够规模的代表性样本可以提供对给定人群的见解，但是收集大量数据就会面临成本高昂且耗时的问题。
每项临床试验都必须通过制定方案来仔细组织，该方案应概述研究的目标、主要和次要终点、数据收集方法、样本选择标准、数据处理程序、统计方法和假设，最重要的是，科学合理的样本量。
根据研究者指定的研究设计、结局类型和假设检验，样本量的确定可能会有很大差异，适当样本量的估计基于，给定的统计假设和几个研究设计参数。
理论上讲这些因素包括，具有意义的，最小可检测差异测量中的，估计变异性所需的统计功效水平，和显著性水平。
在理论中受试者数量，不足或过多之间实现最佳平衡势在必行，小样本量导致的统计功效不足，可能导致无法检测到真正的差异。
从而使研究组之间的显著差异，在统计学上却并不显著，使用过大的样本量可能被认为是不道德的，导致资源的浪费，并可能阻碍给定研究的可行性。
在这种情况下，可以找到计算替代方案来增加样本量，从而减少人类暴露，数据增强是一种用于扩展样本的方法，方法是通过使用预先存在的数据生成给定数据集的修改副本。
这涉及对数据集进行轻微修改或利用深度学习技术来生成新的数据实例，人工智能AI作为实现可持续和增强药物开发的手段的潜力已经得到认可。
然而从可访问的数据中，产生有用的见解的过程，需要利用全面的人工智能模型，正如必须使用合适的数据集构建，和训练这些模型，以有效地加速和简化药物研究的每一步。
最近艾伦图灵研究所启动了一个项目，其主要目标是研究机器学习，和人工智能对随机临床试验规划、实施和解释的潜在影响。
通过增强人类专业知识和优化数据利用率，人工智能能够预测试验或站点失败的可能性，以及临床患者的预后。
AI还可用于分析健康记录，并有效地通知医务人员和患者可用的试验机会，此外简化进入标准可以提高潜在参与者的可及性。
在这方面，自动编码器已被确定为一种非常有效且有价值的技术，用于从真实世界的数据中生成合成或人工数据，自动编码器是人工神经网络的一种变体。
用于获取未注释数据的熟练编码，自动编码器通过两个不同的功能获取知识，修改输入数据的编码功能，和从编码表示重建输入数据的解码功能。
变分自动编码器是一种生成模型，在概率框架下运行，并将神经网络作为其更广泛架构的组成部分。
本研究的目的是，通过使用变分自动编码器来减少所需的样本量，从而在临床试验中引入一种新的数据增强思路。
为了完成这项任务，探索了几种形式的变分自动编码器，并将其用于虚拟种群的生成。
变分自动编码器生成的受试者，以等效性研究的形式进行了适当的设置，分析是通过选择最合适的超参数来调整变分自动编码器系统。
材料与方法
人工智能是指人类智能在机器和计算机系统中的复制，人工智能涉及智能机器的开发，这些机器具有执行与人类相当或超过人类的任务的能力。
这个过程包括收集数据，制定使用指南，得出近似值或结论以及自我纠正，在包括制药科学在内的几个领域，人工智能和机器学习方法都引起了很多人的兴趣。
深度学习涉及学习，与数据越来越相关的连续表示层，被称为神经网络的模型，以堆叠在一起的层组织，在深度学习中用于学习这些分层表示。
最前沿的深度学习技术利用了，神经网络的最新进展，与其他机器学习技术相比，它们通常具有更好的预测和泛化技能，药物的发现和再利用，是深度学习引起兴趣，并获得认可的两个药物研究领域。
理论上在临床试验中，样本量在研究方案中明确说明，因此在研究开始之前估计，样本量的估计是一个复杂的过程，依赖于试验的几个参数。
其中最重要的是测量的终点，终点的测量规模，终点的变异性，需要大样本量，后者导致包括许多人类参与者，而不是增加成本，研究持续时间长，辍学的可能性很高等。
近年来神经网络作为最先进的机器，学习模型越来越受欢迎，有多种神经网络架构，每种架构都最适合解决不同的问题类型，全连接神经网络被广泛认为是，最普遍的神经网络类型。
神经网络的基本组成部分是神经元，也称为节点，许多神经元的垂直排列创造了一个层，在神经网络的初始层通常称为输入层，而最终层被指定为输出层。
输入层中的节点数对应于模型中的特征数，而输出层中的节点数对应于所需的输出，神经网络架构中的中间层通常称为隐藏层，隐藏层的数量，可能会根据手头问题的复杂性，而有所不同。
在某些情况下，使用大样本量可能会使更多的参与者，面临与实验干预相关的潜在风险，许多参与者参加临床试验可以延长其持续时间。
从而增加外部因素影响结果，并可能影响研究有效性的机会，此外由于受试者人数较多，试验过程中出现失访和脱学的可能性更高。
在过去几年中，已经努力进行计算机临床试验和或实际上增加样本量，以面对前面提到的所有缺点，数据增强技术，涉及基于现有数据生成额外的数据点，这些方法有效增加样本量并提高分析的稳健性。
为了完成这项任务，使用正态分布为两组志愿者生成数据集，同时模拟等效临床试验的条件，影响临床试验结果的最重要因素是指，两种干预措施之间的平均差异。
理想的情况是生成的数据集的性能，优于从子采样总体中观察到的性能，换句话说当生成的数据集确实存在时。
并且当原始数据集也显示等价性时，生成的数据集最好显示非等价性，与原始数据集的任何差异都表明分析数据集存在缺陷。
为了研究变分自动编码器方法的效率，将变分自动编码器生成的数据集的性能，与原始数据集的性能，以及子采样数据集的性能进行了比较，在所有情况下，变分自动编码器生成的数据的性能都优于任何子抽样组。
并且与原始数据，值得注意的是对于高变异性，变分自动编码器方法的性能，甚至比原始数据集还要好。
变分自动编码器已经成功地应用于，不同的科学领域，在一项研究中有条件的变分自动编码器，被用于物联网网络中的入侵检测，后者的重要性是非常重要的。
因为入侵检测系统的经济重要性不断扩大，使它们容易受到未来的入侵攻击，科研人员使用了一个，具有独特架构的条件变分自动编码器。
这个变分自动编码器，在解码器层中加入了入侵标签，与其他知名分类器相比，所提出的方法具有非常多的优点。
因为在选择集中包含或排除某些选项，会导致估计参数不准确，作者开发了一个广义的极值模型，用于将增值评估方法与选择建模联系起来。
这项研究被认为是，第一个研究与变分自动编码器模型相关的，各种数学特性的研究，变分自动编码器模型证明了其在数据聚类方面的熟练程度。
并且观察到它在生成具有，特定图形结构的图像或管理，和创建具有低分辨率要求的，图像方面特别有效。
这个实验的性能，与其他已建立的异常检测算法的，性能进行了比较，结果表明所开发的模型在各种情况下，都表现出卓越的性能，并且所有参与者都在考虑之中。
变分自动编码器被提出，作为临床试验中的数据增强方法，即作为减少所需样本量的一种方式。
变分自动编码器可以被认为是传统自动编码器的延伸与自动编码器相比，变分自动编码器采用编码器网络。
将输入数据映射到多元正态分布，而不是固定点，换句话说变分自动编码器努力在整个潜在空间的输入数据和概率分布之间建立相关性。
在不改变研究真实结果的情况下，值得注意的是，即使对于表现出高度变异性的数据，使用变分自动编码器。
也可以将对样本的需求，减少到试验通常需要样本量的一半以下，样本量的大幅减少可以加速临床试验，显着降低成本。
并且肯定会减少人类暴露，据我们所知，这项研究代表了在旨在减少必要样本量的，临床研究领域内使用自动编码器的首次尝试。
然而该试验经常用于临床试验，应监管机构的要求，并从监管角度进行详细解释，必须探索其他临床设计和统计假设。
此外关于模型架构，在考虑计算效率的同时，研究更复杂的模型可能是值得的，这些模型包含额外的隐藏层，和或每层更多的神经元。
值得探索的是，可应用于隐藏层和输出层的其他激活函数，最后与任何计算方法一样。
在实践中采用之前，必须将其应用于真实的临床数据，应该强调的是，将真实数据集成到模拟研究中对于提高模拟的准确性、可靠性和适用性至关重要。
使其成为理解现实世界现象、进行预测和为决策过程提供信息的宝贵工具，将引入的变分自动编码器程序应用于，实际临床数据的比较分析将有助于，确定其适用性和效率。
结论
本研究的目的是引入神经网络的使用，特别是变分自动编码器，作为一种工具，以虚拟增加临床研究中的样本量，从而减少所需的实际参与者数量，本研究首先为变分自动编码器开发了最合适的架构并调整了超参数。
以及实践中可能发生的各种场景，这些情景包括测量终点的几个级别的变异性，比较组之间的不同平均性能以及子采样组的不同大小。
然后将变分自动编码器生成的数据的效率与原始数据的效率，以及子抽样数据的效率进行比较，在所有情况下，使用变分自动编码器生成的数据都会提高研究的统计能力。
总体而言变分自动编码器，与蒙特卡罗模拟临床试验的结合使用，证明了理想的性能，从而减少了临床研究中的人类暴露。
并显着降低了试验完成的成本和时间，就我们目前的理解而言，这项研究代表了在临床研究领域使用自动编码器和神经网络的一种新努力，特别是旨在减少必要的样本量。
在阅读此文后，烦请您关注+评论，方便剩下后续事件有新的进展能够让您迅速关注到