Поскольку опухоли не однородные и различные части их, изменяются на переменных скоростях, для исследователей трудно видеть, какие эффекты их лечение имеет на фоне изменений, которые произошли бы так или иначе.Как правило, чтобы получить значащих ученых результатов должны посмотреть на средние изменения в опухолях, используя много образцов, часто в животных.
С обычными статистическими методами может быть трудно оценить эффекты лечения на людях, как требовался бы для персонифицированной медицины.Метод машинного обучения был развит в Манчестере, чтобы помочь планетарным ученым нанести на карту особенности на планетах, таких как Марс. Это было разработано, чтобы лучше понять ошибки и неуверенность в наблюдениях, таким образом позволив исследователям подарить их результатам уверенность.
Манчестерская команда, от Разделения Информатики, Отображения & Наук Данных работала в сотрудничестве с доктором Джеймсом О’Коннором, Главой Отображения в Манчестерском Центре Исследований рака на исследованиях мышей лаборатории. Они применили свой метод машинного обучения, названный Линейным Пуассоном, Моделирующим, к образцам, и смогли продемонстрировать четырехкратное увеличение точности измерений изменения опухоли, которые обнаружили благоприятное воздействие методов лечения рака.Доктор Нил Тэкер, от Разделения Университетом Информатики, Отображения & Наук Данных, сказал: «Результаты этого исследования показывают, что мы можем представить результаты, в которых исследователи могут быть намного более уверены.
Это означает, что Вы можете получить то же самое качество данных из одного образца вместо 16».Это имеет важные последствия для исследования, означая, что вместо того, чтобы использовать 16 мышей, в некоторых исследованиях только один необходим.
Это могло помочь уменьшить использование мышей лаборатории в медицинском исследовании. Это также открывает потенциал для этой техники, которая будет использоваться в пациентах быстро и уверенно определяющий, имеют ли наркотики определенный эффект на свои опухоли."Линейный Пуассон, Моделирующий работы, изучая образцы в данных и как они могут измениться. В отличие от других методов машинного обучения, таких как популярное Глубокое Изучение, это может также оценить эффекты ошибок в данных, обеспечив как дополнительная продукция предсказания того, насколько точный ее результаты.
Улучшенное моделирование данных также означает, что меньше образцов необходимо, чтобы обеспечить очень точные результаты.Доктор Пол Тэр, который совместно разработал метод во время его проекта доктора философии, добавил: «Эта техника – все о том, чтобы максимально использовать ‘маленькие данные’, которые распространены в медицинских исследованиях, где трудно получить большие количества образцов. Исследователи используют благотворительные или государственные деньги, таким образом, важно, чтобы они использовали его самым эффективным возможным способом, что-то, что позволяет эта техника».
Доктор Джеймс О’Коннор, Cancer Research U.K. продвинула ученого клинициста, сказал: «Рак каждого человека уникален, который может сделать лечение болезни, бросающей вызов как препарат, который работает на одного пациента, не мог бы работать на кого-то еще. Вот почему мы все больше и больше смотрим на нахождение новых способов сделать лечение более личным, и эта инновационная работа могла быть шагом к той цели.
Следующий шаг будет дальнейшим исследованием, чтобы узнать, если это так, и помочь раскрыть потенциал этого метода».