Буквально на днях мы написали про успех очередной экспериментальной молекулы против самой убийственной опухоли человека — глиобластомы.
Сейчас же выясняется, что в будущем дозы того или иного лекарства для терапии глиобластомы сможет подбирать искусственный интеллект. Причем, находить оптимальное соотношение между минимальным количеством препарата и максимальной эффективностью.
Такие результаты своей работы представили исследователи из Media Lab Массачусетского технологического института (MIT) на конференции Machine Learning for Health 2018, которая завершилась пару недель назад в Стэнфордском университете. Они создали такой алгоритм машинного обучения, который после обзора существующих фармакологических методов лечения глиобластомы и их дозировок подбирает оптимальную и индивидуальную для каждого пациента схему, такую, чтобы при меньшей дозе достигался максимальный эффект.
Чтобы научить машину составлять план терапии, исследователи смоделировали 50 виртуальных пациентов, взяв данные о них из большой пациентской базы. Все эти люди ранее проходили традиционные схемы лечения, информация о чем также сохранялась.
Алгоритм провел более 20 000 сеансов методом «проб и ошибок». Суть в том, что он после каждого решения сверял получившийся результат с конечной эталонной целью, и если они совпадали, то машина получала условное «поощрение», а если нет – то условный «штраф». В этой задаче штраф имел максимальное значение, поскольку перед учеными стояла цель научить алгоритм максимально снижать дозировки. Поэтому машина стремилась это сделать, но не потерять в качестве и эффективности от назначаемой терапии. Такой подход называют усиленным обучением. По сути алгоритм старался количественно оптимизировать все действия, чтобы получить максимальный балл за результат для данной задачи.
В итоге интеллект протестировали на 50 новых сымитированных пациентах и сравнили его рекомендации со стандартной схемой терапии, включающей как темозоломид, так и прокарбазин, ломустин и винкристин (противоопухолевые препараты, тормозящие рост злокачественной ткани). Специалисты отмечают, что если машине не назначалось какой-либо штраф за дозу в качестве ограничения, то она разрабатывала схемы, практически идентичные решениям экспертного сообщества врачей. Однако если вводился максимальный штраф, то рекомендуемая машиной доза снижалась от 25 до 50 процентов с сохранением того же самого результата.
Самое главное – лечение можно прописывать строго индивидуально и под каждого больного.
«Это самая захватывающая часть нашей работы: мы можем создавать схемы лечения с высокой степенью точности, при этом основываясь на доказательной медицине и проводя испытания для одного человека с использованием нетривиальных архитектур машинного обучения», — отмечает старший автор работы Пратик Шах (Pratik Shah), PhD.
Текст: Анна Хоружая