Oldal címe
SikertörténetekTumormodell paramétereinek meghatározása MI alkalmazásával
Címlapos tartalom
Kisbenedek Lilla az Óbudai Egyetem PhD hallgatója és az Élettani Szabályozások Kutatóközpont (PhysCon) munkatársa. A kutatócsoport a kemoterápia hatékonyságának növelését tűzte ki célul. Ez egy interdiszciplináris kutatás, ahol orvosok, mérnökök és informatikusok dolgoznak közösen a hatékonyabb kezelés megalkotásáért. Kisbenedek Lilla kutatási területe a csoporton belül az élettani folyamatok paraméterbecslése mesterséges intelligencia alkalmazásával.
A „Tumormodell paramétereinek meghatározása mesterséges intelligencia alkalmazásával” című projekt fő célja a tumor növekedését és a gyógyszer hatását leíró tumor modell paramétereinek pontos meghatározása különféle mesterséges intelligencia (MI) alapú algoritmusok segítségével. Az egyes páciensek között és egyazon páciensen belül megfigyelhető eltérések modellezése a projektben alkalmazott differenciálegyenlet-rendszer paramétereinek meghatározásával történik. Ezek a paraméterek kulcsszerepet játszanak a személyre szabott kemoterápiás kezelések kidolgozásában, amely a kutatócsoport célkitűzése.
A kutatás során felhőalapú szolgáltatásokat használtunk a tumortérfogat mérések elemzésére, valamint egy olyan algoritmus kidolgozására, amely képes a hibás és kiugró értékek automatikus azonosítására a mérések során. Ez az előfeldolgozási lépés kritikus fontosságú a paraméterek pontos meghatározásához, mivel a hibás adatok torzíthatják a modell eredményeit, így negatívan befolyásolhatják a személyre szabott terápiák kidolgozását.
Továbbá a projekt keretében kifejlesztettünk egy algoritmust, amely hatékonyan képes meghatározni a tumordinamikát és farmakokinetikát leíró differenciálegyenlet-rendszer paramétereit. Egy újszerű, autoenkóder-alapú architektúrát dolgoztunk ki, amely a tumortérfogat- és dózisidősor-adatok alapján azonosítja a modell paramétereit. Ez az architektúra felügyelet nélküli tanulási megközelítést alkalmaz, amely lehetővé teszi a modellparaméterek önálló felismerését és tanulását. Az algoritmus hatékonyan működik mind nagy számú (akár 20 000) idősor párhuzamos feldolgozása esetén, mind egyedi idősorok alapján történő paraméterbecslés során. A HUN-REN Cloud jelentős támogatást nyújtott mind a nagyszámú virtuális pácienshalmaz létrehozásában, mind a neurális hálózatok tanításának folyamatában. Összességében a létrehozott architektúra alkalmasnak bizonyult az alkalmazott differenciálegyenlet-rendszer paramétereinek tanulására és meghatározására. A kutatás végső célja egy olyan rendszer kifejlesztése, amely a kemoterápia adagolásán keresztül képes szabályozni a tumor méretét, ezáltal javítva a betegek életminőségét és élettartamát.
