Massachusetts Institute of Technology (MIT) araştırmacıları, simüle edilmiş deneyleri kullanarak glioblastomalı hastaların yaşam kalitesini iyileştirmek için yeni makine öğrenme teknikleri tasarladılar.
Glioblastoma, beyin kanserinin en agresif şeklidir. Beyinde veya omurilikte malign bir tümör olarak görülür. Beş yıldan uzun olmayan hastalar için prognozu gösterir.
Araştırmacılar, ilaçları daha az toksik ama yine de etkili hale getirmek için her hasta için spesifik dozaj rejimleri üretmeyi amaçladı.
Model, şu anda kullanılan tedavi rejimlerini kullanarak ve dozları ayarlayarak, en sonunda, tümör boyutuna benzer şekilde boyutunu azaltan dozların en düşük gücü ve sıklığı ile bir ‘optimal tedavi planını‘ tanımlayan bir ‘kendi kendine öğrenme‘ makine öğrenme tekniği ile desteklenmektedir.
Makine Öğrenimi
Araştırmacılar, dozların sıklıkla kaçırıldığını ve tedavilerin aylık yerine yılda iki kez programlandığını tespit etti. Tedavi döngüsü, tümör boyutu azalmasını hala korumuştur.
Media Lab’de baş araştırmacı olan Dr. Pratik Shah “Biz, tümör boyutlarını azaltarak hastalara yardım etmek zorunda olduğumuz ama aynı zamanda, yaşam kalitesinin (dozaj toksisitesinin) ezici hastalıklara ve zararlı yan etkilere yol açmadığından emin olmak istediğimiz hedefimizi tuttuk” dedi.
Deneme için kullanılan ilaçların bir kombinasyonu kullanılmıştır. Örneğin temzolomid (TMZ), lomustin ve vincristin (PVC), ‘Makinelerin istenen sonucu öğretmek için kullanılan’ Takviyeli Öğrenme (RL) ‘tekniği için kullanılan yapay ajan ile birlikte kullanılmıştır. Her eylem için ödülleri veya ‘cezaları’ uygular.
Modeli eğitmek için, 50 hastanın her biri için yaklaşık 20.000 ‘deneme-yanılma’ çalışması gerçekleştirildi. Modelin optimal rejimlerin parametrelerini öğrenmesini sağladı. Ekip ayrıca her hastayı bireysel olarak tedavi etmek için modeli eğitmek için her hasta için tıbbi veri kullanmıştır.
