НАШИ НОВОСТИ

Ученые запускают
«машину времени»
Читать


Последние изобретения
Читать

10 самых бесполезных
изобретений,
созданных за последние
несколько столетий
(на материале газеты Таймс)
Читать

Самые удивительные изобретения
Читать

Американские ученые нашли лекарство от радиации
Читать

Нижегородский стоматолог изобрел более полусотни полезных вещей
Читать

Ученые создали жидкий биополимер, залечивающий повреждения спинного мозга
Читать

Мышиная моча поможет предотвратить теракты
Читать

Ученые научили самолеты самостоятельно "заживлять" повреждения корпуса
Читать

Аудиоформат MT9 в будущем заменит MP3
Читать

Изобретатель топлива на воде оказался шарлатаном
Читать

Заправь машину минералкой
Читать

Ещё об уникальных изобретениях
Читать

Искусственный интеллект повышает биопсию жидкости


Современной лекарственной медицине мешают две большие проблемы - выявление рака, и предоставление пациентам с онкологическими заболеваниями персонализированной, динамичной помощи в лечении. Чтобы найти решения, несколько академических лабораторий и биотехнологических фирм обращаются к искусственному интеллекту, работая над разработкой алгоритмов машинного обучения, которые могут помочь расшифровать слабые сигналы в крови, и могут выявить раковые заболевания на ранней стадии.

Алгоритмы машинного обучения

До сих пор алгоритмы машинного обучения, предназначенные для обнаружения мельчайших количеств опухолевой ДНК в образце крови - цели так называемых жидких биопсий - хорошо зарекомендовали себя в клинических исследованиях. Но, ни один алгоритм самообучения еще не одобрен для клинического использования. Они могут превзойти результаты визуализации и биопсии тканей при выявлении и мониторинге рака, ища мутации в ДНК, РНК и белках непосредственно из крови. Мечта о жидкой биопсии заключается в том, чтобы обнаружить рак на ранней стадии и обнаружить раковые заболевания во время лечения. Однако в обоих случаях методы жидкой биопсии пытаются точно обнаружить рак среди бесконечно малых количеств нуклеиновых кислот опухоли в крови. Хотя эффективность метода варьирует между типами рака, жидкие биопсии до сих пор были способны обнаруживать рак примерно у половины пациентов на ранней стадии, диагностированных с помощью визуализации. Проблема заключается в том, что у ученых нет роскоши, использовать все различные виды анализов с ограниченной бесклеточной нуклеиновой кислотой. Из-за этого ограничения до сих пор были доступны только целенаправленные анализы известных мутаций рака. Но у многих видов рака отсутствует простой набор известных мутаций, которые могут идентифицировать опухоль и, впоследствии, определять лучший вариант лечения. Вот где на помощь приходит машинное обучение.

Искусственные нейронные сети

Искусственные нейронные сети, которые используют тысячи подключенных узлов для интерпретации данных, подобных нейронам в мозге, и составляют основу машинного обучения, могут обрабатывать огромное количество данных и идентифицировать закономерности, которые, вероятно, ускользнут от врача-человека. Мало того, машинное обучение проходит самосовершенствование, так как в систему вводится больше данных, она тонко настраивает свой собственный алгоритм для улучшения его диагностической хватки. Это развивающаяся диагностика. Машинное обучение только тогда хорошо, когда данные, которые оно подготовило по алгоритмам кормления, обширные, репрезентативные образцы ДНК, РНК или других биомаркеров, из которых можно научиться, имеют решающее значение для создания высокочувствительного теста. Чтобы решить эту проблему, компания геномики рака GRAIL провела крупномасштабное исследование, которое использует машинное обучение для создания огромной, представительной библиотеки мутаций рака и здоровых мутаций с использованием геномов белых кровяных телец.