رویکرد جدید به روش “تنبیه و پاداش” آموزش هوش مصنوعی پتانسیلی را برای سرطان های تهاجمی ارائه می دهد

بر اساس یک مطالعه جدید از دانشگاه ساری، یک روش جدید “خارج از جعبه” برای آموزش مدل‌های هوش مصنوعی (AI) برای تصمیم‌گیری می‌تواند امیدی برای یافتن روش‌های درمانی جدید برای سرطان ایجاد کند.

دانشمندان کامپیوتر از Surrey نشان داده‌اند که یک روش یادگیری تقویتی با پایان باز یا بدون مدل قادر به تثبیت مجموعه داده‌های بزرگ (تا 200 گره) مورد استفاده در مدل‌های هوش مصنوعی است. 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، نویسنده مسئول این مطالعه از دانشگاه ساری، گفت: «تعداد دلخراشی از سرطان‌های تهاجمی وجود دارد که اطلاعات کمی در مورد منشا آنها وجود دارد، چه رسد به اینکه چگونه رفتارشان را دسته‌بندی کنیم. اینجاست که یادگیری ماشین می تواند امید واقعی را برای همه ما فراهم کند.

“آنچه ما نشان دادیم توانایی رویکرد مبتنی بر یادگیری تقویتی برای پرداختن به شبکه های بولی در مقیاس بزرگ واقعی از مطالعه ملانوم متاستاتیک است. نتایج این تحقیق در استفاده از داده های ثبت شده نه تنها برای طراحی درمان های جدید، بلکه همچنین موفقیت آمیز بوده است. گام بعدی استفاده از سلول های زنده با روش های مشابه است.”

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. با گذشت زمان، هوش مصنوعی یاد می گیرد که بهتر تصمیم بگیرد.

یک رویکرد بدون مدل برای یادگیری تقویتی زمانی است که هوش مصنوعی جهت یا نمایش روشنی از محیط خود نداشته باشد. رویکرد بدون مدل قدرتمندتر در نظر گرفته می‌شود، زیرا هوش مصنوعی می‌تواند بلافاصله بدون نیاز به توضیح دقیق محیط خود، یادگیری را شروع کند.

پروفسور فرانچسکا بوفا از دپارتمان انکولوژی دانشگاه آکسفورد در مورد یافته های تحقیق اظهار داشت: “این کار گام بزرگی در جهت امکان پیش آگهی اختلال در شبکه های ژنی است که با حرکت به سمت درمان های هدفمند ضروری است. این نتایج برای آزمایشگاه من هیجان انگیز است. ما مدت‌هاست که مجموعه گسترده‌تری از اغتشاشات را در نظر گرفته‌ایم که محیط ریز سلول را نیز شامل می‌شود.”

مقاله در منتشر شده است تراکنش های IEEE در کنترل سیستم های شبکه.