L'utilisation de modèles d'apprentissage automatique pour mieux prédire les stades du cancer de la vessie #MachineLearning #ArtificialInteligence #AI

Selon une étude menée par l'University of California - San Diego publiée dans Metabolomics, le processus de diagnostic invasif et coûteux du cancer de la vessie, l'un des cancers les plus courants et les plus agressifs aux États-Unis, pourrait bientôt être aidé par une nouvelle méthode de diagnostic non invasive, grâce aux progrès de la recherche sur l'apprentissage automatique au Supercomputer Center de San Diego (SDSC), Moores Cancer Center et CureMatch Incorporated

Des chercheurs ont travaillé au développement d'un modèle d'apprentissage automatique (Machine learning, ML) qui analyse les métabolites d'un patient et leurs descripteurs chimiques. Le modèle classe avec précision les stades du cancer de la vessie chez un patient. Lorsqu'un patient présente les premiers symptômes du cancer de la vessie, la méthode de diagnostic actuelle consiste souvent en une série de tests douloureux et invasifs.

Selon les chercheurs, il peut être très facile pour les patients de simplement donner un échantillon d'urine . Leur système, basé sur l'apprentissage automatique, peut produire un résultat d'analyse leur indiquant de se rendre immédiatement chez un oncologue pour un test de dépistage. Ces derniers croient que de nombreux stades précoces et encore plus avancés du cancer de la vessie ne sont pas traités car les patients ne prêtent pas attention à la médiation des signaux de douleur du corps et pourraient penser que les symptômes sont moins dangereux. Leur système utilise des métabolites et les gènes correspondants pour déterminer si un patient a un cancer de la vessie et, dans l'affirmative, à quel stade

Les chercheurs ont formé le logiciel, appelé perceptron multicouche (multi-layer perceptron, MLP), avec les données des métabolites urinaires des patients aux différents stades de la maladie. Chaque stade a son propre profil de métabolites. MLP analyse le descripteur chimique des ensembles de métabolites liés à chaque stade du cancer et crée des modèles d'intelligence artificielle à partir de ces profils