机器学习系统使癌症治疗的毒性更小
麻省理工学院研究人员正在采用新型机器学习技术,通过减少毒性化疗和放射治疗剂量的胶质母细胞瘤,脑癌最具侵略性形式的患者的生活质量。患者必须忍受每月采取的放射治疗和多种药物的组合。医疗专业人员通常施用最大的安全药物剂量,尽可能地缩小肿瘤。但这些强有力的药物仍然导致患者的衰弱副作用。
在一篇论文中,麻省理工学院媒体实验室研究人员详细说明了一种可以使剂量方案减少毒性但仍然有效的模型。由“自学”机器学习技术提供动力,模型看起来目前正在使用的治疗方案,并迭代调整剂量。最终,它发现了最佳的治疗计划,具有最低可能的效力和剂量的频率,仍然应该将肿瘤尺寸降低到与传统方案相当的程度。“We kept the goal, where we have to help patients by reducing tumor sizes but, at the same time, we want to make sure the quality of life — the dosing toxicity — doesn’t lead to overwhelming sickness and harmful side effects,” says Pratik Shah, a principal investigator at the Media Lab who supervised this research.
研究人员的模型使用了一种被称为强化学习(RL)的技术,这是一种受行为心理学启发的方法,在这种方法中,模型学习支持特定的行为,从而导致预期的结果。该技术包括人工智能“代理”,它们在不可预知的、复杂的环境中完成“行动”,以达到预期的“结果”。无论何时它完成一个行动,代理都会收到“奖励”或“惩罚”,这取决于该行动是否朝着结果发展。然后,代理相应调整其操作以实现该结果。
研究人员采用了一种RL模型来治疗胶质母细胞瘤,该模型使用的药物是替莫唑胺(TMZ)和丙卡嗪、洛莫司汀和长春新碱(PVC),使用时间为数周或数月。该模型的代理人梳理了传统的管理方案。这些方案是基于几十年来临床使用的方案,并基于动物试验和各种临床试验。肿瘤学家使用这些既定的方案,根据体重来预测给病人注射多少剂量。
研究人员还必须确保该模型不仅仅是达到最大数量和剂量的效力。因此,当模型选择施用所有全剂量时,它受到惩罚,所以反而选择较少,更小的剂量。“如果我们想要做的一切都会减少平均肿瘤直径,并让它采取任何需要的行动,它将不负责任地施用药物,”Shah说。“相反,我们说,”我们需要减少到达这一结果所需的有害行动。“
最优方案
研究人员设计了模型,用于单独治疗每只患者,以及单一的队列,并实现类似的结果(研究人员可获得每位患者的医疗数据)。传统上,将相同的给药方案应用于患者组,但肿瘤大小,医学历史,遗传谱和生物标志物的差异都可以改变患者如何治疗。Shah说,在传统的临床试验设计和其他治疗中,这些变量不考虑在传统的临床试验设计和其他治疗中,往往导致对大型人群的治疗不良。
“我们(对模型)说,‘你必须给所有病人使用相同的剂量吗?它说,‘不。我可以给这个人四分之一剂量,给这个人一半剂量,也许我们可以给这个人跳过一剂。’这是这项工作中最令人兴奋的部分,我们能够通过使用非传统的机器学习架构进行一人试验,产生基于医学的精确治疗,”Shah说。
来源:麻省理工学院