مدل هوش مصنوعی می‌تواند میزان سم داروهای شیمی درمانی را کاهش دهد :پزشکی - تلکسیران
گوش به زنگگوش به زنگ

مدل هوش مصنوعی می‌تواند میزان سم داروهای شیمی درمانی را کاهش دهد


محققان ام آی تی(MIT)، یک سیستم هوش مصنوعی(AI) را توسعه داده‌اند که می‌تواند به کاهش دوز مواد سمی شیمی درمانی برای گلیوبلاستوما(تهاجمی‌ترین فرم سرطان مغز) کمک کند و به طور بالقوه کیفیت زندگی بیماران را بهبود بخشد.

هوش مصنوعی، به کاهش سم داروهای شیمی درمانی کمک می‌کند

هوش مصنوعی، به کاهش سم داروهای شیمی درمانی کمک می‌کند

گلیوبلاستوما، یک تومور بدخیم است که در مغز یا نخاع دیده می‌شود و پیش آگاهی آن برای بزرگسالان بیش از ۵ سال نیست. بیماران باید هر ماه، ترکیبی از پرتودرمانی و داروهای متعدد را تحمل کنند. متخصصان علم پزشکی، به طور معمول حداکثر مقدار ممکن دوز دارو را برای کاهش تومور اعمال می‌کنند. با این حال، این داروهای قوی همچنان عوارض جانبی خطرناکی را در بیماران ایجاد می‌کنند.

محققان موسسه فناوری ماساچوست در ایالات متحده، مدلی ارائه داده‌اند که می‌تواند دوز مواد سمی داروها را کاهش دهد، ضمن اینکه اثر درمانی آنها را حفظ کند. این مدل از تکنیک یادگیری ماشین خود یادگیر استفاده می‌کند و ضمن استفاده از رژیم های درمانی، دوز داروها را مرتبا تنظیم می‌کند. در نهایت، این مدل با کمترین قدرت و تناوب دوز، درمان بهینه را پیدا می‌کند به نحوی که اندازه‌های تومور را تا حد قابل مقایسه با رژیم های سنتی کاهش دهد.

مدل یادگیری ماشین در آزمایش‌های شبیه‌سازی از ۵۰ بیمار، چرخه درمان را به نحوی طراحی کرد که می‌تواند دوز داروها را به نصف یا یک چهارم کاهش دهد در عین حال که همان پتانسیل را برای کوچک کردن تومور حفظ می‌کند. لازم به ذکر است که مصرف داروها بر اساس این مدل به صورت دو بار در سال به جای ماهانه قابل برنامه‌ریزی است.

 

پراتیک شان از دانشگاه ام آی تی، خاطر نشان کرد:

ما هدف را حفظ کردیم به این معنا که به کاهش اندازه تومور در بیماران کمک کنیم و در عین حال در رابطه با کیفیت زندگی، مطمئن شویم دوز سمی بودن داروها به بیماری‌های سنگین و عوارض جانبی منجر نمی‌شود.

مدل محققان از یک روش الهام گرفته از روان‌شناسی رفتاری به نام تقویت یادگیری (RL) استفاده می‌کند که در آن یک مدل یاد می‌گیرد به رفتار خاصی برسد که منجر به نتیجه مطلوب می‌شود. این تکنیک شامل عامل‌های هوش مصنوعی است که اقدامات را در یک محیط پیچیده و غیر قابل پیش‌بینی به پایان می‌رسانند تا به نتیجه‌ای دلخواه برسند. هر زمان که مدل یک اقدام را کامل کند، بسته به اینکه آیا این اقدام به سمت نتیجه می‌انجامد یا خیر، عامل یک پاداش یا مجازات را به خود اختصاص می‌دهد. سپس عامل، اقدامات خود را بر اساس این امتیازات برای رسیدن به نتیجه مطلوب تنظیم می‌کند.

این رویکرد برای آموزش برنامه کامپیوتری DeepMind مورد استفاده قرار گرفت که در سال ۲۰۱۶ عناوینی را برای حرکات یکی از بهترین بازیکنان انسانی در بازی Go ایجاد کرد. این روش همچنین برای آموزش ماشین‌های بدون راننده در مانورها، مانند ادغام با ترافیک و یا پارکینگ استفاده می‌شود که در آن، وسیله نقلیه بارها و بارها تمرین می‌کند و تنظیماتی انجام می‌دهد تا عملکردی درست داشته باشد.

محققان این مدل را روی ۵۰ بیمار شبیه‌سازی شده آموزش دادند. اطلاعات مربوطه به طور تصادفی از یک پایگاه داده بزرگ بیماران مبتلا به گلیوبلاستوما که قبلا درمان شده بودند، انتخاب شدند. برای هر بیمار، این مدل حدود ۲۰،۰۰۰ سعی و خطا انجام داد و پس از تکمیل آموزش، پارامترهای رژیم بهینه را یاد گرفت. هنگامی که اطلاعات بیماران جدید به مدل داده می شوند، این مدل از این پارامترها برای ایجاد رژیم‌های جدید بر اساس انواع محدودیت‌های ارائه شده توسط محققان استفاده می‌کند.

منبع: business-standard.com