Con datos avanzan en tratar cáncer

En un análisis publicado en Cancers, los investigadores señalaron que esta clase emergente de IA ofrece una forma innovadora de utilizar conjuntos de datos para ayudar a descubrir las complejas causas de enfermedades como el cáncer y mejorar sus estrategias de tratamiento.

"Esto fomenta una nueva era en el diseño de algoritmos de IA dirigidos e informados para resolver problemas científicos, comprender mejor las enfermedades y guiar la medicina individualizada. Esto tiene el potencial de descubrir la información perdida por la IA convencional", dijo el autor principal y coinventor Hu Li, investigador de biología de sistemas e investigador de IA en Mayo Clinic en el Departamento de Farmacología Molecular y Terapéutica Experimental.

También puedes leer. Nuevo hallazgo para tratar cáncer de mama. https://revistafactorrh.com/pareja-saludable/item/11318-nuevo-hallazgo-para-tratar-cancer-de-mama

La IA convencional se utiliza principalmente en tareas de clasificación y reconocimiento, como en el reconocimiento facial y en la clasificación por imágenes en el diagnóstico clínico, y se ha aplicado cada vez más a tareas generadoras como, por ejemplo, en la creación de textos similares a los de un humano.

Los investigadores observaron que los algoritmos de aprendizaje convencionales a menudo no incorporan el conocimiento científico o las hipótesis existentes. En cambio, estos algoritmos dependen en gran medida de grandes conjuntos de datos imparciales que, a su vez, pueden ser difíciles de obtener.

Según el Dr. Li, esta limitación restringe considerablemente la flexibilidad de los métodos de IA y sus usos en áreas que requieren descubrimiento de conocimiento, como la medicina.

La IA es una herramienta valiosa para identificar patrones en conjuntos de datos grandes y complejos, como los empleados en la investigación del cáncer. El desafío central en la utilización de la IA convencional ha sido maximizar la información incorporada en estos conjuntos de datos.

Con la IA impulsada por hipótesis, los investigadores buscan encontrar formas de incorporar la comprensión de una enfermedad, por ejemplo, integrando variantes genéticas patógenas conocidas e integrando interacciones entre ciertos genes en el cáncer en el diseño del algoritmo de aprendizaje.

Esto permitirá a los investigadores y clínicos determinar qué componentes contribuyen al rendimiento del modelo y, en consecuencia, a la mejora de la interpretabilidad. Además, esta estrategia puede abordar cuestiones relacionadas con los conjuntos de datos y promover nuestro enfoque en cuestiones científicas abiertas.