محققان از یک رویکرد یادگیری ماشینی چند الگوریتمی برای تعیین اینکه بیماران سرطانی چگونه به درمان دارویی پاسخ خواهند داد، استفاده می کنند.

محققان موسسه فناوری جورجیا و موسسه سرطان تخمدان از الگوریتم‌های یادگیری ماشینی برای پیش‌بینی نحوه پاسخ بیماران به داروهای ضد سرطان استفاده می‌کنند. پیشرفت‌ها در یادگیری ماشین و هوش مصنوعی به محققان این امکان را می‌دهد تا با استفاده از تجزیه و تحلیل پیش‌بینی‌کرده و درمان مبتنی بر پزشکی دقیق‌تری را ایجاد کنند.

با تجزیه و تحلیل مقادیر زیادی از داده های پیچیده، پزشکان می توانند درمان های فردی را ارائه دهند و نتایج بیمار را بهبود بخشند.

جان اف مک دونالد گفت: «در پزشکی، ما باید بتوانیم پیش‌بینی کنیم».

برای انجام پیش‌بینی‌های پزشکی، محققان می‌توانند درک خود را از علت ایجاد کنند و روابطی مانند نحوه واکنش بیمار سرطانی به درمان‌های دارویی را منعکس کنند. با این حال، گزینه دیگر از طریق تجزیه و تحلیل همبستگی است. در تجزیه و تحلیل مجموعه داده های پیچیده در زیست شناسی سرطان، ما می توانیم از یادگیری ماشینی استفاده کنیم، که به سادگی یک روش پیچیده برای جستجوی همبستگی ها است. مزیت این است که رایانه ها می توانند این همبستگی ها را در مجموعه داده های بسیار بزرگ و پیچیده جستجو کنند.

برای این مطالعه، مک دونالد و تیمش با استفاده از داده های 499 رده سلولی مستقل از موسسه ملی سرطان، مدل های مبتنی بر یادگیری ماشینی پیش بینی را برای 15 نوع سرطان متمایز ایجاد کردند. سپس مدل‌ها با مجموعه داده‌های بالینی حاوی هفت داروی شیمی‌درمانی که به‌صورت منفرد یا ترکیبی برای ۲۳ بیمار سرطان تخمدان تجویز می‌شد، اعتبارسنجی شدند. این مدل دقت پیش‌بینی کلی 91 درصد را نشان داد.

مک‌دونالد خاطرنشان کرد: «در حالی که باید اعتبار سنجی اضافی با استفاده از تعداد بیشتری از بیماران مبتلا به انواع مختلف سرطان انجام شود، یافته‌های اولیه ما در مورد دقت 90 درصدی در پیش‌بینی پاسخ‌های دارویی در بیماران سرطان تخمدان بسیار امیدوار کننده بود.

در رویکرد خود، ما از مجموعه‌ای از روش‌های یادگیری ماشین برای ساختن الگوریتم‌های پیش‌بینی‌کننده به انواع داروهای سرطان استفاده می‌کنیم.

هدف آینده این است که پروفایل‌های بیان ژن بیوپسی‌های تومور را می‌توان به الگوریتم‌ها وارد کرد و پاسخ‌های احتمالی بیمار به درمان‌های دارویی مختلف را می‌توان با دقت بالا پیش‌بینی کرد.

201000809.001