بر اساس نتایج یک مطالعه جدید، یک روش جدید به نام خارج از جعبه برای آموزش مدل های هوش مصنوعی (AI) برای تصمیم گیری می تواند امیدی برای یافتن روش های درمانی جدید برای سرطان ایجاد کند.
به گزارش سیناپرس، دانشمندان کامپیوتردانشگاه Surrey نشان داده اند که یک روش یادگیری تقویتی با پایان باز یا اصطلاحا بدون مدل قادر است مجموعه داده های بزرگ را که در مدل های هوش مصنوعی استفاده می شوند، تثبیت کند. این رویکرد چشم انداز کشف راه هایی را برای جلوگیری از توسعه سرطان با پیش بینی پاسخ سلول های سرطانی به اختلالات از جمله درمان دارویی باز می کند.
دکتر سوتیریس موشویانیس (Sotiris Moschoyiannis) پژوهشگر ارزشد این مطالعات از دانشگاه ساری (Surrey) می گوید که تعداد دلخراشی از انواع سرطانهای تهاجمی وجود دارد که اطلاعات کمی در مورد اینکه از کجا آمده اند وجود دارد، چه رسد به اینکه چگونه رفتارشان را دسته بندی کنیم. اینجاست که یادگیری ماشینی می تواند امید واقعی را برای همه ما به وجود آورد.
او می افزاید: آنچه ما نشان داده ایم توانایی رویکرد مبتنی بر یادگیری برای بررسی مقیاس بزرگ از مطالعات سرطان پوست متاستاتیک است. نتایج این تحقیق در استفاده از داده های ثبت شده نه تنها برای طراحی درمان های جدید بلکه برای دقیق تر کردن درمان های موجود نیز موفق بوده است. گام بعدی استفاده از سلول های زنده با همان روش ها خواهد بود.
در ادامه دکتر موشویانیس توضیح می دهد که یادگیری تقویتی روشی از یادگیری ماشینی است که به وسیله آن به رایانه برای تصمیم گیری درست پاداش می دهید و آن را برای تصمیمات اشتباه مجازات می کنید. بنابراین با گذشت زمان، هوش مصنوعی یاد می گیرد که بهتر تصمیم بگیرد.
به گفته او، یک رویکرد بدون مدل برای یادگیری تقویتی زمانی است که هوش مصنوعی جهت یا نمایش روشنی از محیط خود نداشته باشد. رویکرد بدون مدل تواناتر است زیرا هوش مصنوعی می تواند بلافاصله بدون نیاز به توضیح دقیق محیط خود، یادگیری را شروع کند.
پروفسور فرانچسکا بوفا (Francesca Buffa) از دانشکده سرطان شناسی دانشگاه آکسفورد در مورد یافته های تحقیقات اخیر گفت: این یافته گام بزرگی در جهت اجازه دادن به پیش آگهی اختلال در شبکه های ژنی است که برای حرکت به سمت درمان های هدفمند ضروری است.
شرح کامل این مقاله در مجله تخصصی IEEE Transactions on Control of Network Systems منتشر شده است.
به گزارش سیناپرس، دانشمندان کامپیوتردانشگاه Surrey نشان داده اند که یک روش یادگیری تقویتی با پایان باز یا اصطلاحا بدون مدل قادر است مجموعه داده های بزرگ را که در مدل های هوش مصنوعی استفاده می شوند، تثبیت کند. این رویکرد چشم انداز کشف راه هایی را برای جلوگیری از توسعه سرطان با پیش بینی پاسخ سلول های سرطانی به اختلالات از جمله درمان دارویی باز می کند.
دکتر سوتیریس موشویانیس (Sotiris Moschoyiannis) پژوهشگر ارزشد این مطالعات از دانشگاه ساری (Surrey) می گوید که تعداد دلخراشی از انواع سرطانهای تهاجمی وجود دارد که اطلاعات کمی در مورد اینکه از کجا آمده اند وجود دارد، چه رسد به اینکه چگونه رفتارشان را دسته بندی کنیم. اینجاست که یادگیری ماشینی می تواند امید واقعی را برای همه ما به وجود آورد.
او می افزاید: آنچه ما نشان داده ایم توانایی رویکرد مبتنی بر یادگیری برای بررسی مقیاس بزرگ از مطالعات سرطان پوست متاستاتیک است. نتایج این تحقیق در استفاده از داده های ثبت شده نه تنها برای طراحی درمان های جدید بلکه برای دقیق تر کردن درمان های موجود نیز موفق بوده است. گام بعدی استفاده از سلول های زنده با همان روش ها خواهد بود.
در ادامه دکتر موشویانیس توضیح می دهد که یادگیری تقویتی روشی از یادگیری ماشینی است که به وسیله آن به رایانه برای تصمیم گیری درست پاداش می دهید و آن را برای تصمیمات اشتباه مجازات می کنید. بنابراین با گذشت زمان، هوش مصنوعی یاد می گیرد که بهتر تصمیم بگیرد.
به گفته او، یک رویکرد بدون مدل برای یادگیری تقویتی زمانی است که هوش مصنوعی جهت یا نمایش روشنی از محیط خود نداشته باشد. رویکرد بدون مدل تواناتر است زیرا هوش مصنوعی می تواند بلافاصله بدون نیاز به توضیح دقیق محیط خود، یادگیری را شروع کند.
پروفسور فرانچسکا بوفا (Francesca Buffa) از دانشکده سرطان شناسی دانشگاه آکسفورد در مورد یافته های تحقیقات اخیر گفت: این یافته گام بزرگی در جهت اجازه دادن به پیش آگهی اختلال در شبکه های ژنی است که برای حرکت به سمت درمان های هدفمند ضروری است.
شرح کامل این مقاله در مجله تخصصی IEEE Transactions on Control of Network Systems منتشر شده است.
کد خبر ۲۰۱۰۱۱۱۱۶.۵۴۸