Информационные бюллетени NeurIPS 2019: обзоры представленных нами исследований и их влияние на будущее

Обзор

Несмотря на все достижения в терапии рака, достигнутые за последние несколько десятилетий, одна проблема по-прежнему остается совершенно очевидной: до 64% ​​пациентов все еще не реагируют на терапию первой линии, что мы можем сделать, чтобы лучше нацеливаться на пациентов с терапия, которая им поможет?

Появление «точной онкологии» (применение таргетной терапии к биомаркерам конкретного человека) обещает оказать огромное влияние на терапию рака. Благодаря комплексному геномному профилированию онкологи могут подбирать пациентам полностью персонализированные схемы таргетной терапии на основе их уникальных вариантов ДНК. Краеугольным камнем такого подхода является правильная идентификация этих вариантов ДНК, и проблема заключается в том, чтобы сделать это на основе обширных данных геномного секвенирования, полученных из образца опухоли человека. Этот процесс, известный как «вызов вариантов», представляет собой сложную задачу классификации, позволяющую отличить истинные варианты ДНК от шума секвенирования, который в некоторых случаях необходимо выполнять миллиарды раз для каждой позиции в геноме человека. .

Сложная задача классификации больших данных, подобная этой, хорошо сочетается с новейшими подходами искусственного интеллекта для глубокого обучения, которые могут оказать большое влияние на успешное сопоставление пациентов с лучшими целевыми методами лечения. Однако внедрение в клинических условиях требует, чтобы эти так называемые алгоритмы черного ящика были гораздо более понятными, безопасными и надежными, прежде чем их можно будет развернуть в более широком масштабе. В этом году на конференции NeurIPS по машинному обучению мы представили нашу работу над байесовскими нейронными сетями и их использование для обеспечения большей уверенности онкологов в решениях, принимаемых такими подходами машинного обучения к определению вариантов.

Новейшие подходы искусственного интеллекта для глубокого обучения могут оказать большое влияние на успешное сопоставление пациентов с лучшими целевыми методами лечения.

Как это работает?

Применение мощных моделей машинного обучения, таких как нейронные сети, к задаче вызова варианта имеет тот недостаток, что просто предоставляет онкологу двоичный ответ да или нет в отношении наличия варианта ДНК. Последние методы, разработанные нашей командой в CCG.ai, демонстрируют новый подход к вызову вариантов нейронной сети, который дополнительно дает онкологу представление о том, насколько модель уверена в вызове. Это достигается за счет использования байесовской нейронной сети: дополнение байесовского подхода к выводу возможностями, предоставляемыми стандартными нейронными сетями. Вместо того, чтобы иметь дело с точечными оценками, байесовские нейронные сети изучают все распределения вероятностей, чтобы обеспечить меру неопределенности. Это, в свою очередь, делает всю сеть более надежной в своих прогнозах, давая ей возможность сказать я не знаю, если данный вариант особенно зашумлен. Это чрезвычайно важное свойство для принятия решений, особенно при выборе варианта опухоли, который лучше всего подходит для терапии.

Какое влияние?

Анализ и понимание точной молекулярной динамики, лежащей в основе опухоли человека, является ключом к правильному лечению каждого пациента в нужное время, чтобы победить его рак. Последние достижения в области машинного обучения и алгоритмов искусственного интеллекта могут иметь большое значение в этой ситуации, но для того, чтобы применить их в клинике, требуется специальная разработка для адаптации этих инструментов к геномике рака. Работа, представленная здесь, является частью продолжающейся миссии CCG.ai по объединению мощности ИИ с точной онкологией и, в конечном счете, оказывает глубокое влияние на выбор лечения рака и показатели ответа пациентов.

Узнать больше

В этом блоге представлен общий обзор документа, представленного на семинаре NeurIPS 2019: «Безопасность и надежность при принятии решений».

Чтобы узнать больше об этом исследовании, прочитайте статью полностью или прочтите этот более ранний пост в блоге, в котором дается обзор Машинное обучение в геномике и здравоохранении.

Всего мы опубликовали 5 статей на NeurIPS 2019. Ознакомьтесь с нашим пресс-релизом, чтобы узнать о других наших достижениях в области машинного обучения.

  • Автор Гарри Клиффорд, технический директор CCG.ai
  • Под редакцией Белль Тейлор, менеджера по стратегическим коммуникациям и партнерству CCG.ai
  • Спасибо Жоффруа Дюбур-Фелоно, Кристоферу Парсонсу и Дами Реберген за полезные обсуждения.