AI оптимизирует радиационную и химическую терапию для лечения глиобластомы

AI оптимизирует радиационную и химическую терапию для лечения глиобластомы

14 Aug 2018
912
Прослушать

Пациенты с глиобластомой, стойким и трудным для лечения онкологическим заболеванием, часто страдают от повторяющихся сессий химической или радиационной терапии. Ученые из Массачусетского технологического института (США) работают над решением, позволяющим с помощью алгоритмов искусственного интеллекта (artificial intelligence, AI) оптимизировать режим терапии, что даст возможность снизить нагрузку на пациента при лечении, сохранив при этом клиническую эффективность.

Это программное обеспечение, которое использует метод, получивший название обучение с подкреплением*, оценивает различные данные о конкретном пациенте и использует информацию, полученную из тысяч похожих предыдущих случаев. После этого она способна воспроизвести план лечения, который будет лучше оптимизирован, чем существующие режимы лечения.

До сих пор эта технология тестировалась только в рамках компьютерного моделирования на виртуальных пациентах. Полученные результаты свидетельствуют о возможности значительного снижения дозировки, сохраняя при этом ту же способность уменьшения размера опухоли. У 50 "пациентов", которые прошли "лечение" с помощью этой технологии, уровень дозировок в большинстве случаев снижался вдвое и даже больше, и, кроме этого, часто существенно снижалась частота терапевтических сессий. 

По словам руководителя исследования Пратика Шаха,

Мы старались сохранить эффективность лечения, одновременно пытаясь улучшить качество жизни пациентов за счет снижения терапевтической дозировки, что влечет за собой уменьшение болезненной слабости и ослабление влияния тяжелых побочных эффектов.

Метод обучения с подкреплением использует виртуальные агенты, которые пытаются выполнять различные задачи для того, чтобы достигнуть нужной цели. Чем ближе агент к своей цели, тем большую "награду" он получает. "Агент" обучается по этим "наградам" и подстраивает свои действия, чтобы повысить возможность получение дополнительных "наград". Поскольку все это происходит внутри компьютерной  системы и повторяется тысячи раз, то такие "агенты" способны все лучше и лучше прогнозировать то, какие действия необходимо предпринять.

* Обучение с подкреплением (reinforcement learning) — один из способов машинного обучения, в ходе которого испытуемая система обучается, взаимодействуя с некоторой средой.