Oregon Eyalet Üniversitesi Mühendislik Fakültesi tarafından yapılan yeni bir araştırma, makine öğrenimi tekniklerinin, kişiselleştirilmiş tıbbı ilerletmek için güçlü yeni araçlar, biyolojilerinin benzersiz yönlerine ve hastalık özelliklerine dayalı olarak bireysel hastalar için sonuçları optimize eden bakım sunabileceğini gösteriyor.
Oregon Eyaletinden Brian D. Wood, bilgisayar sistemlerinin verilerdeki eğilimleri aramak için algoritmalar ve istatistiksel modeller kullandığı bir yapay zeka dalı olan makine öğrenimi ile yapılan araştırmanın, biyolojik sistemlerdeki uzun süredir çözülemeyen sorunları hücresel düzeyde ele aldığını söyledi.
Kısmen ABD Enerji Bakanlığı tarafından finanse edilen ve Journal of Computational Physics'de yayınlanan yeni araştırma, doğrusal olmayan sistemleri modelleme ve insan dokularında meydana gelebilecek karmaşık süreçleri anlama ile ilgili sorunları çözmek için makine öğrenimini kullanmanın ilk örneklerinden biri niteliğinde.
Bir çevre mühendisliği profesörü olan araştırmacılardan Wood: “Makine öğreniminin ortaya çıkışı, daha önce çözemediğimiz sorunları çözmek için cephaneliğimizde bize yeni bir araç verdi. Araçların kendileri mutlaka yeni olmasa da, sahip olduğumuz belirli uygulamalar çok farklı. Makine öğrenimini daha kısıtlı bir şekilde uygulamaya başlıyoruz ve bu, daha önce çözemediğimiz fiziksel sorunları çözmemize izin veriyor.”
Bir organdaki hücresel aktiviteyi modellemede, o organdaki her hücreyi ayrı ayrı modellemek mümkün olmuyor - bir santimetre küp doku bir milyar hücre içerebilir - bu nedenle araştırmacılar, ölçek büyütme olarak bilinen şeye güveniyorlar. Wood, biyolojik sistemlerin geleneksel ölçek yükseltme tekniklerine direndiğini ve burada makine öğrenimi yöntemlerinin devreye girdiğini belirtiyor.
Araştırmacılar, hücresel düzeyde çok karmaşık bir sistem için bilgi yükünü azaltarak, her bir hücreyi modellemek zorunda kalmadan bu hücrelerin etkisini veya tepkisini yüksek doğrulukla daha iyi analiz edip modelleyebiliyor. Wood bunu "on milyonlarca veri noktasına sahip bir hesaplama problemini binlerce veri noktasına indirgeyerek basitleştirmek" olarak tanımlıyor.
Yeni yaklaşım, sayısal model sonuçlarına dayalı potansiyel hasta tedavilerinin önünü açacak gibi gözüküyor. Bu çalışmada, araştırmacılar, biyolojik ve kimyasal sistemlerdeki klasik doğrusal olmayan sorunları çözmek için makine öğrenimini kullanabildiler ve yeni bir yöntem geliştirdiler.
Wood, “Çalışmamız, taşımada bulunan doğrusal olmayan süreçleri ve dokulardaki reaksiyonları yükseltmek için derin sinir ağları denilen şeyden yararlanıyor. Bireyselleştirilmiş tıbbın vaatleri hızla gerçeğe dönüşüyor.” diye ekledi.
Oregon Eyaletinden Brian D. Wood, bilgisayar sistemlerinin verilerdeki eğilimleri aramak için algoritmalar ve istatistiksel modeller kullandığı bir yapay zeka dalı olan makine öğrenimi ile yapılan araştırmanın, biyolojik sistemlerdeki uzun süredir çözülemeyen sorunları hücresel düzeyde ele aldığını söyledi.
Kısmen ABD Enerji Bakanlığı tarafından finanse edilen ve Journal of Computational Physics'de yayınlanan yeni araştırma, doğrusal olmayan sistemleri modelleme ve insan dokularında meydana gelebilecek karmaşık süreçleri anlama ile ilgili sorunları çözmek için makine öğrenimini kullanmanın ilk örneklerinden biri niteliğinde.
Bir çevre mühendisliği profesörü olan araştırmacılardan Wood: “Makine öğreniminin ortaya çıkışı, daha önce çözemediğimiz sorunları çözmek için cephaneliğimizde bize yeni bir araç verdi. Araçların kendileri mutlaka yeni olmasa da, sahip olduğumuz belirli uygulamalar çok farklı. Makine öğrenimini daha kısıtlı bir şekilde uygulamaya başlıyoruz ve bu, daha önce çözemediğimiz fiziksel sorunları çözmemize izin veriyor.”
Bir organdaki hücresel aktiviteyi modellemede, o organdaki her hücreyi ayrı ayrı modellemek mümkün olmuyor - bir santimetre küp doku bir milyar hücre içerebilir - bu nedenle araştırmacılar, ölçek büyütme olarak bilinen şeye güveniyorlar. Wood, biyolojik sistemlerin geleneksel ölçek yükseltme tekniklerine direndiğini ve burada makine öğrenimi yöntemlerinin devreye girdiğini belirtiyor.
Araştırmacılar, hücresel düzeyde çok karmaşık bir sistem için bilgi yükünü azaltarak, her bir hücreyi modellemek zorunda kalmadan bu hücrelerin etkisini veya tepkisini yüksek doğrulukla daha iyi analiz edip modelleyebiliyor. Wood bunu "on milyonlarca veri noktasına sahip bir hesaplama problemini binlerce veri noktasına indirgeyerek basitleştirmek" olarak tanımlıyor.
Yeni yaklaşım, sayısal model sonuçlarına dayalı potansiyel hasta tedavilerinin önünü açacak gibi gözüküyor. Bu çalışmada, araştırmacılar, biyolojik ve kimyasal sistemlerdeki klasik doğrusal olmayan sorunları çözmek için makine öğrenimini kullanabildiler ve yeni bir yöntem geliştirdiler.
Wood, “Çalışmamız, taşımada bulunan doğrusal olmayan süreçleri ve dokulardaki reaksiyonları yükseltmek için derin sinir ağları denilen şeyden yararlanıyor. Bireyselleştirilmiş tıbbın vaatleri hızla gerçeğe dönüşüyor.” diye ekledi.
Kaynak
Bu rehber yardımcı oldu mu?
DoktorClub’da Keşfet
