新研究提出了机器学习用于精准医学的愿景
当病人从伤口中恢复过来时，医生可能会照看他们，监测愈合过程并根据身体的反应开出治疗方案。但包括饮食、年龄或糖尿病等疾病在内的多种因素都对康复起作用，每天监测这些变量对医生来说可能很困难，尤其是对于慢性病患者。
面对这些挑战，加州大学圣克鲁斯分校的研究人员正在构想可以持续监测这些复杂因素以及身体持续反应的系统，并通过机器学习算法建议甚至实施治疗。
这种对指标或测试的持续响应是反馈控制的一种形式——一种用于将变量与目标值进行比较的工程概念。控制理论通常用于动态系统工程，但医生很少使用。应用数学副教授 Marcella Gomez 的研究重点是弥合这一差距，并有可能通过自动化精准医学的机器学习算法为更多人带来高质量的医疗保健。
在Cell Reports Physical Science杂志上发表的新观点中，Gomez 详细阐述了该领域如何超越静态数据以创建系统来测量和监控身体对各种因素的实时反应并使用机器的愿景学习算法来产生，甚至在某些情况下执行治疗计划。这篇文章呼吁研究这些问题的相对较小的新研究人员社区开始思考该领域更广泛的开放挑战和问题。
“你可以为更多人提供高质量的医疗服务，而无需对医生进行数十年的广泛培训，”戈麦斯说。
戈麦斯说，目前，在精准医学中使用机器学习的方法侧重于利用静态指标：用于预测疾病或慢性伤口结果的不变因素，例如基因组突变的存在。这涉及从过去的病例中收集历史数据，并利用这些数据来预测疾病或伤口可能如何发展。
但这项新研究强调需要开发更多数据驱动的方法，以推进使用机器学习增强精准医学的建模和控制方面。这将意味着更多的预测模型完全基于数据，而不是试图捕获和模拟所涉及的全部生物过程，这将是一项极其复杂的任务。
她还希望看到该领域朝着更具适应性的系统发展，并且可以随着身体需求的变化而变化。
在传统的控制理论中，工程师了解有关系统动态特性的信息，并使用这些信息来选择最适合这些特定特性的控制。但是，人体的复杂性使得很难只找到一个合适的控制器。这需要一种新的设想控制方式。
“你可以考虑使用控制器自我调整的机器学习方法——它可以确定它是否在实现目标方面做得不够好，从而甚至可以根据输入建议治疗的方式调整自己的策略直到它看到它越来越接近实现其目标，”戈麦斯说。“它将始终寻求优化自身性能。”
Gomez 说，这些改进的算法可用于扩展反馈控制的应用，使其超越现有工作，例如持续测量葡萄糖水平并在需要时输送胰岛素的人工胰腺。这些算法还可以增强人在回路系统中，在该系统中，医生读取监控系统的响应并根据算法建议进行治疗。
她正在与电气和计算机工程教授 Marco Rolandi 合作进行这项研究，Marco Rolandi 是设计传感器和执行器的角度的合著者，他们希望使用这些传感器和执行器来实现这些反馈控制概念，以及电气和计算机工程副教授 Mircea Teodorescu，生物工程和机器人专家。两位研究人员目前正在将这些概念应用到他们的项目中，旨在创造一种新型智能绷带，加速严重伤口的愈合。
12 月 6 日，作为NIH 合成生物学联盟会议的一部分，Gomez 共同主持了一场题为“将生物控制方法扩展到复杂生物系统”的国立卫生研究院 (NIH) 分组会议。
版权声明：本文由用户上传，如有侵权请联系删除！