▲麻省理工学院（MIT）的研究人员通过机器学习模型，在确保有效性的情况下，降低了胶质母细胞瘤的化疗和放疗剂量的毒性，提高了患者的生活质量。
胶质母细胞瘤是最具侵袭性的一种脑癌，它会出现在大脑或脊髓中，而成人的预后不会超过5年。患者必须忍受放射治疗和多种药物的联合治疗。医学专业人员通常会尽可能多地使用安全剂量的药物来减小肿瘤，但这些强效药物会对病人产生不利的副作用。
scitechdaily网站8月12日刊文称，下周将在美国斯坦福大学举行的2018年机器学习医疗会议发布的一篇文章中，MIT媒体实验室的研究人员详细介绍了一种可以使剂量毒性更小但仍然有效的模型。该模型以“自我学习”的机器学习技术为动力，研究目前正在使用的治疗方案，并反复调整剂量，最终找到最理想的治疗方案，以最低的效力和频率将肿瘤缩小至与传统疗法相当的程度。
“我们的目标是帮助病人减小肿瘤，同时确保生活质量：使剂量毒性不会导致压倒性的疾病和有害的副作用。”该研究的首席研究员Pratik Shah说。
研究人员的模型使用了一种叫做强化学习（RL）的技术（模型学会偏好某些行为，从而产生预期的结果）来优化胶质母细胞瘤的治疗。Shah说，我们第一次描述了这种“非正统的RL模型”，它权衡了行动（剂量）对结果（肿瘤减小）的潜在负面影响。而且，该模型在每一次行动中，都能够灵活地发现并不一定能使肿瘤减小，但在最大肿瘤减少和低毒性之间达到完美的平衡的剂量。他补充说，这项技术有各种各样的医学和临床试验应用，在这些应用中，必须对治疗病人的行为进行规范，以防止有害的副作用。
研究人员利用以前接受过传统治疗的神经胶质母细胞瘤患者中随机选择的50个模拟病人对模型进行了训练，针对每个患者进行了大约2万次试错测试。一旦训练完成，模型就会学习最佳方案的参数。当面对新患者时，模型会根据研究人员提供的各种约束使用这些参数来制定新的治疗方案。
随后研究人员用50个新的模拟病人对模型进行了测试，并将结果与传统疗法进行了比较。在剂量限制的情况下，模型大大降低了剂量的频率和效力，同时减小了肿瘤的大小。此外，该模型可以根据各种差异给不同的患者以不同的剂量。Shah说：“这是这项工作中最令人兴奋的部分，我们可以通过使用非正统的机器学习架构来进行单人试验，从而产生精确的药物治疗方案。”
美国克雷格文特尔研究所的人类生物学教授、临床试验设计专家Nicholas J. Schork说：“该模型比传统的目测方法更能有效地控制剂量，观察病人的反应，并做出相应的调整。我们只需要让电脑在数据中寻找模式，并使用这些模式来找到最佳剂量。”
Schork补充说，这项工作可能会引起美国食品和药物管理局（FDA）的兴趣，他们正在寻求利用数据和人工智能来开发卫生技术的方法，这还需要制定相关法规，但我相信FDA将会在很短的时间内找出如何适当地审查这些技术，以便在日常临床项目中使用。”
科界原创
编译：花花 审稿：西莫 责编：程建兰
原文链接：
版权声明：本文由科界平台原创编译，中文内容仅供参考，一切内容以英文原版为准。转载请注明来源科技工作者之家—科界App。
a principal investigator at the Media Lab who supervised this research.
The paper’s first author is Media Lab researcher Gregory Yauney.
