卵巢癌细胞
信用:维基共享 今天，机器学习、人工智能和研究科学家和工程师的算法进步正在通过预测的力量推动更有针对性的医学疗法
快速分析大量复杂数据的能力使临床医生更接近于为患者提供个性化治疗，目的是通过更积极、个性化的药物和护理创造更好的结果
约翰·F说:“在医学上，我们需要能够做出预测。”
麦克唐纳，生物科学学院教授，佐治亚理工学院小生物工程和生物科学研究所综合癌症研究中心主任
他解释说，一种方法是通过理解原因和反映关系，就像癌症患者对药物的反应一样
另一种方法是通过关联
“在分析癌症生物学中的复杂数据集时，我们可以使用机器学习，这只是一种寻找相关性的复杂方法
这样做的好处是，计算机可以在极其庞大和复杂的数据集中寻找这些相关性
" 现在，麦当劳团队和卵巢癌研究所正在使用基于集成的机器学习算法，以高准确率预测患者对抗癌药物的反应
他们最近的研究成果已经发表在《肿瘤学研究杂志》上
在这项研究中，麦克唐纳和他的同事利用国家癌症研究所提供的499个独立细胞系的数据，为15种不同的癌症类型开发了基于预测机器学习的模型
这些模型随后在包含7种化疗药物的临床数据集上得到验证，这些药物单独或联合给药于23名卵巢癌患者
研究人员发现总体预测准确率为91%
“虽然还需要对更多的多种癌症患者进行额外的验证，”McDonald指出，“但我们预测卵巢癌患者药物反应的准确率达到90%的初步发现是非常有希望的，这让我看到了能够准确预测个体患者最佳癌症药物治疗的希望。”
" 这项研究是与位于亚特兰大的卵巢癌研究所(OCI)合作进行的，麦克唐纳是该研究所的首席研究官
其他作者是医学博士本尼迪克特·贝尼尼奥(OCI创始人兼首席执行官，以及妇产科医生、外科医生和肿瘤学家)；尼克·豪斯利，麦当劳佐治亚理工学院实验室博士后研究员；该论文的主要作者，OCI的实习生贾伊兰卡
预测癌症治疗的挑战 麦克唐纳说，癌症的复杂性使得预测药物反应成为一个具有挑战性的问题
患有同一类型癌症的患者对相同的治疗方法通常会有不同的反应
他解释说:“部分问题在于，癌细胞是一个高度整合的通路网络，临床上表现出相同特征的患者肿瘤可能在分子水平上有很大不同。”
个性化癌症医学的一个主要目标是基于个体患者肿瘤的基因组图谱准确预测对药物治疗的可能反应
“在我们的方法中，我们利用一组机器学习方法来构建预测算法——基于癌细胞系或患者肿瘤的基因表达谱与先前观察到的对多种癌症药物的反应之间的相关性
未来的目标是可以将肿瘤活检的基因表达谱输入到算法中，并且可以高精度地预测患者对不同药物治疗的可能反应，”McDonald说
机器学习已经被应用于来自肿瘤活检基因组图谱的数据，但是在研究人员工作之前，这些方法通常涉及单一的算法方法
麦克唐纳和他的团队决定将几种使用多种方式分析复杂数据的算法方法结合起来；人们甚至使用三维方法
他们发现使用这种基于集成的方法显著提高了预测的准确性
该团队使用的算法有支持向量机(SVM)、随机森林分类器(射频)、最近邻分类器(KNN)和逻辑回归分类器(LR)等名称
麦克唐纳说:“它们都是相当技术性的，都是不同的计算数学方法，都在寻找相关性。”
“这只是使用哪种模型的问题，对于不同的数据集，我们发现一种模型可能比另一种更好
" 然而，需要更多结合基因组图谱和癌症药物反应的患者数据集来推进这项研究
“如果我们想产生临床影响，我们必须使用来自大量患者的数据来验证我们的模型，”麦克唐纳说，他补充说，许多数据集由制药公司持有，这些公司在药物开发中使用它们
这些数据通常被认为是专有的私人信息
尽管癌症患者的大量基因组数据通常是可获得的，但它通常与患者对药物的反应无关
麦当劳目前也在与医疗保险公司讨论获取相关数据集的问题
他指出:“保险公司要花大量的钱来支付不起作用的药物治疗。”
通过向研究人员提供这些类型的信息，可以节省时间、医疗费用，并最终挽救许多生命
麦克唐纳说:“现在，一定比例的患者对药物没有反应，但我们要到化疗六周后才知道。”
“我们希望我们将很快拥有能够准确预测患者对一线治疗有反应的概率的工具——如果他们没有反应，能够准确预测下一个要尝试的药物
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
