Rola uczenia maszynowego w medycynie spersonalizowanej

Naukowcy z Uniwersytetu Stanowego w Oregonie wykazali, że wybrane techniki uczenia maszynowego mogą oddziaływać na rozwój medycyny spersonalizowanej poprzez optymalizację diagnozy pacjenta w oparciu o jego konkretne aspekty biologiczne oraz ogólne cechy choroby.

Wspomniane badania są jednymi z pierwszych solidnych przykładów wykorzystania potencjału uczenia maszynowego, czyli jednej z gałęzi sztucznej inteligencji wykorzystującej algorytmy i modele statystyczne, względem rozwiązywania problemów dotyczących modelowania systemów nieliniowych oraz zrozumienia procesów zachodzących w ludzkich tkankach.

Jak twierdzi jeden z głównych inicjatorów badania, Brian D. Wood: Nadejście uczenia maszynowego dało nam nowe narzędzie do rozwiązywania problemów, których wcześniej nie mogliśmy rozwiązać. Chociaż same narzędzia niekoniecznie są nowe, poszczególne aplikacje, które posiadamy, są bardzo odmienne. Zaczynamy stosować uczenie maszynowe w bardziej ograniczony sposób, co pozwala nam rozwiązywać problemy fizyczne, których wcześniej nie mieliśmy możliwości rozwiązania.

W trakcie procesu modelowania aktywności komórkowej nie sposób samodzielnie tego dokonać, dlatego naukowcy oparli się na tak zwanym zwiększeniu potencjalnej skali narzędzia. Skalowanie zmniejszyło ilość potrzebnych do analizy danych. Tym samym zmniejszając obciążenie systemu informacjami, naukowcy mogli zanalizować wpływ konkretnych komórek z dużą wiernością i rzetelnością, co pozwoliło na stworzenie precyzyjnego modelu. Na tej podstawie zespół naukowców odkrył nowe podejście torujące drogę w odniesieniu do potencjalnych terapii i diagnoz pacjentów opartych na wynikach numerycznych.

W efekcie badacze dostosowali uczenie maszynowe, opracowując nowatorską metodę rozwiązywania standardowych problemów nieliniowych w układach biologicznych i chemicznych, co jednocześnie może stanowić milowy krok w kontekście rozwoju medycyny spersonalizowanej.

Źródła: Science Daily/ Oregon State University/ E. Taghizadeh, H. M. Byrne, B. D. Wood, Explicit physics-informed neural networks for nonlinear closure: The case of transport in tissues, „Journal of Computational Physics” 2022, doi.: 10.1016/j.cp.2021.110781.