新的研究展示了机器学习在精准医疗中的应用前景

当病人从伤口中恢复时，医生可能会看着他们，监测愈合过程，并根据身体的反应开出治疗处方。但是各种各样的因素，包括饮食、年龄或糖尿病等疾病都在愈合过程中发挥作用，对医生来说，每天监测这些变量是很困难的，尤其是慢性疾病。

面对这些挑战，加州大学圣克鲁斯分校的研究人员正在设想一种系统，可以持续监测这些复杂因素以及身体的持续反应，并通过机器学习算法，建议甚至管理治疗。

这种对度量或测试的持续响应是反馈控制的一种形式——一种将变量与目标值进行比较的工程概念。控制理论常用于动态系统工程，但很少被医生使用。应用数学副教授Marcella Gomez的研究重点是弥合这一差距，有可能通过机器学习算法为更多人带来高质量的医疗保健，使精准医疗自动化。

在杂志上发表的一个新观点中细胞报告物理科学戈麦斯详细阐述了该领域如何超越静态数据，创建系统，测量和监测身体对各种因素的实时反应，并使用机器学习算法来生成，甚至在某些情况下执行治疗计划。这篇文章呼吁相对较小的研究这些问题的新研究人员开始思考该领域更广泛的开放挑战和问题。

戈麦斯说:“你可以为更多的人提供高质量的医疗服务，而不需要在几十年里对医生进行广泛的培训。”

戈麦斯说，目前，在精准医疗中使用机器学习的方法主要集中在利用静态指标:用于预测疾病或慢性伤口结果的不变因素，例如基因组突变的存在。这包括收集历史数据根据过去的病例，并利用这些数据来预测疾病或伤口可能的进展。

但这项新研究强调，需要开发更多数据驱动的方法，以推进使用机器学习来增强精准医疗的建模和控制方面。这意味着更多预测模型这些方法纯粹基于数据，而不是试图捕捉和模拟所涉及的全部生物过程，这将是一项极其复杂的任务。

她还希望看到该领域朝着更具适应性的系统发展，并能随着身体需求的变化而变化。

在传统的控制理论工程师知道关于系统动态特性的信息，并利用这些信息来选择最适合这些特定特性的控件。但是，人体的复杂性使得很难找到一个合适的控制器。这就需要一种新的控制方式。

戈麦斯说:“你可以考虑使用一种机器学习方法，控制器可以自我调整——它可以识别它在实现目标方面做得不太好，甚至可以调整自己的策略，根据输入建议治疗方法，直到它看到它越来越接近实现目标。”“它将始终寻求优化自身业绩。”

戈麦斯说，这些改进的算法可以用于扩大反馈控制的应用，超越现有的工作，如人工胰腺，持续测量葡萄糖水平，并在需要时提供胰岛素。这些算法还可以增强“人在回路”系统，医生可以读取监测系统的反应，并根据算法建议进行治疗。

她正在与电气与计算机工程教授Marco Rolandi合作进行这项研究，Marco Rolandi是设计传感器和执行器的合著者，他们希望使用这些传感器和执行器来实现反馈控制的概念，以及电气与计算机工程副教授Mircea Teodorescu，生物工程和机器人专家。两位研究人员目前正在将这些概念应用于他们的项目旨在创造一种新型智能绷带，加速严重伤口的愈合。

12月6日，Gomez共同主持了美国国立卫生研究院(NIH)关于这一主题的分组会议，题为“将生物防治方法推广到复杂生物系统”国立卫生研究院的合成生物学联盟会议。