Um novo método ‘fora da caixa’ de ensinar modelos de inteligência artificial (IA) a tomar decisões pode fornecer esperança para encontrar novos métodos terapêuticos para o câncer, de acordo com um novo estudo da Universidade de Surrey.
Cientistas da computação de Surrey demonstraram que um método de aprendizado por reforço profundo aberto – ou sem modelo – é capaz de estabilizar grandes conjuntos de dados (de até 200 nós) usados em modelos de IA. A abordagem mantém aberta a perspectiva de descobrir maneiras de interromper o desenvolvimento do câncer, prevendo a resposta das células cancerígenas a perturbações, incluindo tratamento medicamentoso.
Dr Sotiris Moschoyiannis, autor correspondente do estudo da Universidade de Surrey, disse:
“Há um número de partir o coração de cânceres agressivos por aí, com pouca ou nenhuma informação sobre de onde eles vêm, muito menos como categorizar seu comportamento. É aqui que o aprendizado de máquina pode fornecer esperança real para todos nós.
“O que demonstramos é a capacidade da abordagem orientada por aprendizado por reforço de abordar redes booleanas reais de grande escala a partir do estudo do melanoma metastático. Os resultados desta pesquisa foram bem-sucedidos no uso de dados registrados não apenas para projetar novas terapias, mas também tornar as terapias existentes mais precisas. O próximo passo seria usar células vivas com os mesmos métodos.”
O aprendizado por reforço é um método de aprendizado de máquina pelo qual você recompensa um computador por tomar a decisão certa e o pune por tomar as decisões erradas. Com o tempo, a IA aprende a tomar melhores decisões.
Uma abordagem sem modelo para aprendizado por reforço é quando a IA não tem uma direção ou representação clara de seu ambiente. A abordagem sem modelo é considerada mais poderosa, pois a IA pode começar a aprender imediatamente sem a necessidade de uma descrição detalhada de seu ambiente.
A professora Francesca Buffa, do Departamento de Oncologia da Universidade de Oxford, comentou os resultados da pesquisa:
“Este trabalho representa um grande passo para permitir o prognóstico de perturbação em redes de genes, o que é essencial à medida que avançamos em direção à terapêutica direcionada. Esses resultados são empolgantes para meu laboratório, pois há muito tempo consideramos um conjunto mais amplo de perturbação para incluir o microambiente de a célula.””
Com informações de Science Daily.