Учёные представили инновационные алгоритмы машинного обучения, способные классифицировать злокачественные опухоли по молекулярным подтипам. Эти модели, уже доступные в открытом доступе, открывают новые возможности для точной диагностики и индивидуального подбора лечения онкологических заболеваний.
Молекулярное типирование — важнейший инструмент современной онкологии, позволяющий врачам анализировать биологические процессы внутри опухоли. Это помогает прогнозировать развитие заболевания и выбирать наиболее эффективные методы терапии. Однако существующие технологии часто ограничены узкими наборами данных, что снижает их применимость в клинической практике.
Для решения этой проблемы команда исследователей под руководством Питера Лэрда проанализировала данные из Атласа ракового генома (TCGA), включающие 8791 образец опухолей из 106 молекулярных подтипов и 26 видов рака.
Используя пять алгоритмов машинного обучения, учёные создали более 412 тысяч моделей-классификаторов, оптимизированных для минимального набора признаков. Из них отобрали 737 лучших моделей, которые подходят для различных типов рака и данных.
Эти модели были контейнеризованы и опубликованы в открытом доступе, чтобы их могли использовать клиницисты и исследователи по всему миру.
Новые перспективы диагностики
Эти алгоритмы открывают новые горизонты в онкологии:
- Точность диагностики: более точное определение молекулярных подтипов опухолей.
- Персонализированное лечение: возможность подбирать терапию, исходя из уникальных характеристик опухоли пациента.
- Упрощение внедрения технологий: модели адаптированы для работы с минимальным набором данных, что делает их доступными для повседневной практики.
Авторы исследования подчёркивают, что их работа помогает преодолеть разрыв между большими массивами данных и их реальным применением в медицине.