Tyrimas parodo, kaip AI gali sukurti labiau individualizuotas vėžio gydymo strategijas

Tyrimas parodo, kaip AI gali sukurti labiau individualizuotas vėžio gydymo strategijas

Gyvensena mityba, dietos, judėjimas

Oksfordo universiteto mokslininkai panaudojo dirbtinio intelekto (DI) galią, kad sukurtų individualizuotus vėžio gydymo būdus, kurie galėtų būti veiksmingesni užkertant kelią paciento atkryčiui.

Vienas didžiausių iššūkių gydant vėžį yra maksimaliai padidinti gydymo vaistais poveikį pacientui. Įprastos gydymo strategijos, kuriomis siekiama sunaikinti kuo daugiau ląstelių, yra pagrįstos „didžiausios toleruojamos dozės“ (MTD) terapija, kai pacientas nuolat gauna didelę vaisto dozę, be gydymo pertraukų. Tačiau jie dažnai nesugeba kovoti su metastazavusiu vėžiu dėl atsparumo vaistams atsiradimo.

Adaptyvios terapijos strategijos, kurios dinamiškai koreguoja gydymą, kad slopintų gydymui atsparių populiacijų augimą, pasirodė kaip perspektyvi alternatyva. Tačiau individualizuotų metodų, kurie atsižvelgia į pacientų skirtumus, trūkumas riboja jų veiksmingumą.

Tyrime, pavadintame „Matematiniu modeliu pagrįstas gilus mokymasis įgalina individualizuotą adaptyviąją terapiją“, paskelbtas m. Vėžio tyrimaimokslininkai iš Oksfordo universiteto ir Moffitt vėžio centro Floridoje pristato naują sistemą, kuri taiko giluminį mokymąsi, DRL, (AI forma), kad sukurtų adaptacinius gydymo grafikus individualiems prostatos vėžiu sergantiems pacientams.

Rezultatai rodo, kad naujasis prisitaikantis metodas gali padvigubinti atkryčio laiką, palyginti su MTD ar neasmeninėmis gydymo pertraukomis.

Pirmasis autorius Kit Gallagher, DPhil studentas Oksfordo matematikos institute, apmokė DRL tinklą sintetiniais duomenimis iš matematinio prostatos vėžio modelio, kad atkartotų elgesį, pastebėtą ankstesniuose klinikiniuose tyrimuose. Matematinis modelis buvo gyvybiškai svarbus norint sukurti pakankamai didelius „virtualaus paciento“ duomenų kiekius ir leido tyrėjams įvertinti gydymo grafikus, kurių nebuvo galima lengvai išbandyti kliniškai.

Rezultatai parodė, kad DRL sistema nuolat pranoksta įprastines MTD ir kliniškai naudojamas adaptacines strategijas, atitolindama atkrytį visiems tiriamosios grupės pacientams ir daugiau nei dvigubai pailgindama laiką iki atkryčio kai kuriems pacientams.

Jis taip pat buvo tvirtas tiek paciento atsako į gydymą, tiek laiko intervalo tarp gydymo pokyčiams ar neapibrėžtumui, o tai labai svarbu šio metodo taikymui realiame pasaulyje.

Svarbu tai, kad mokslininkai įrodė, kad interpretuojamas gydymo strategijas galima išgauti iš „juodosios dėžės“ gilaus mokymosi tinklo tokia forma, kurią gydytojas galėtų suprasti ir paskirti savo pacientams.

„Aiškinamumas jau seniai buvo didelė kliūtis integruoti mašininio mokymosi metodus į klinikinę praktiką“, – sakė Kitas Gallagheris.

„Kai šios sistemos yra juodoji dėžė ir mes negalime suprasti, kaip jos pateikia gydymo rekomendacijas, negalime būti tikri, kad jas taikysime klinikoje. Tačiau mūsų naujas tyrimas rodo, kad šią kliūtį galima įveikti.”

Šis metodas netgi gali būti taikomas pacientams, kurie pradeda vartoti naujus vaistus, kurie neturi istorinių duomenų apie tai, kaip jie reaguoja į gydymą, kad būtų sudarytas individualus tvarkaraštis. Šiais atvejais mokslininkai siūlo būdą, kuriuo pacientai iš pradžių pradėtų standartinį gydymo ciklą.

Tada remiantis šio pradinio gydymo duomenimis būtų sukurtas šio paciento „virtualus dvynys“, kurį būtų galima panaudoti norint patikslinti DRL modelį, kad būtų sudarytas individualizuotas gydymo grafikas.

Tyrėjai planuoja tolesnius tyrimus, siekdami patobulinti šį metodą ir ištirti jo taikymą kitoms vėžio formoms.