AI 'ເບິ່ງຜ່ານ' ຈຸລັງ, ກວດພົບຫຼາຍຮ້ອຍຕົວຊີ້ບອກມະເຮັງ 'ເບິ່ງບໍ່ເຫັນ'

ເຄື່ອງມືປັນຍາປະດິດ DOLPHIN ພັດທະນາໂດຍມະຫາວິທະຍາໄລ McGill ສາມາດກວດຫາເຄື່ອງໝາຍທາງພະຍາດທີ່ເຊື່ອງຊ້ອນຢູ່ເລິກຢູ່ໃນຈຸລັງ, ເປີດທາງໃຫ້ມີການວິນິດໄສກ່ອນໜ້ານີ້ ແລະການປິ່ນປົວມະເຮັງທີ່ຊັດເຈນກວ່າ.

ເຄື່ອງມື AI ຂອງມະຫາວິທະຍາໄລ McGill ສາມາດກວດພົບເຄື່ອງໝາຍທາງພະຍາດທີ່ລະອຽດອ່ອນທີ່ເຊື່ອງໄວ້ໃນເຊລ - ພາບປະກອບ: urologiasanrafael.com

ນັກຄົ້ນຄວ້າທີ່ມະຫາວິທະຍາໄລ McGill (ການາດາ) ໄດ້ພັດທະນາເຄື່ອງມືປັນຍາປະດິດໃຫມ່ (AI) ທີ່ສາມາດກວດພົບເຄື່ອງຫມາຍພະຍາດທີ່ເບິ່ງບໍ່ເຫັນພາຍໃນແຕ່ລະຈຸລັງ, ເປີດໂອກາດຂອງການວິນິດໄສກ່ອນຫນ້າແລະທາງເລືອກການປິ່ນປົວທີ່ຖືກຕ້ອງກວ່າສໍາລັບຄົນເຈັບ.

ເຄື່ອງມື, ເອີ້ນວ່າ DOLPHIN, ໄດ້ຖືກອະທິບາຍໃນການສຶກສາທີ່ຈັດພີມມາຢູ່ໃນວາລະສານ Nature Communications. ອີງຕາມຜູ້ຂຽນ, ວິທີການນີ້ສາມາດຊ່ວຍໃຫ້ທ່ານຫມໍຫຼຸດຜ່ອນ "ການທົດລອງແລະຄວາມຜິດພາດ" ໃນການປິ່ນປົວໂດຍການກໍານົດວິທີການປິ່ນປົວທີ່ເຫມາະສົມທີ່ສຸດສໍາລັບຄົນເຈັບແຕ່ລະຄົນ.

ເຄື່ອງຫມາຍຂອງພະຍາດມັກຈະປາກົດເປັນການປ່ຽນແປງທີ່ລະອຽດອ່ອນໃນການສະແດງອອກ RNA ທີ່ສະທ້ອນເຖິງການປະກົດຕົວ, ຄວາມຮຸນແຮງ, ຫຼືການຕອບສະຫນອງຕໍ່ການປິ່ນປົວພະຍາດ. ວິທີການວິເຄາະແບບດັ້ງເດີມພຽງແຕ່ສະຫຼຸບໃນລະດັບ gene, ເຮັດໃຫ້ສັນຍານທີ່ສໍາຄັນຈໍານວນຫຼາຍຖືກປິດບັງ.

DOLPHIN ໃຊ້ AI ເພື່ອວິເຄາະຢ່າງລະອຽດວ່າສ່ວນນ້ອຍໆທີ່ເອີ້ນວ່າ exons ເຊື່ອມຕໍ່ກັນແນວໃດ, ເປີດເຜີຍໃຫ້ເຫັນເຄື່ອງຫມາຍພັນທຸກໍາທີ່ຖືກມອງຂ້າມ.

"Genes ບໍ່ພຽງແຕ່ເປັນຕັນດຽວ, ແຕ່ຄ້າຍຄືກັບຕັນ Lego ທີ່ປະກອບດ້ວຍຊິ້ນສ່ວນນ້ອຍໆຫຼາຍອັນ. ໂດຍເບິ່ງວິທີການເຊື່ອມຕໍ່ກັນ, ເຄື່ອງມືຂອງພວກເຮົາເປີດເຜີຍເຄື່ອງຫມາຍພະຍາດທີ່ສໍາຄັນທີ່ຖືກມອງຂ້າມມາດົນນານ," Kailu Song, ນັກສຶກສາປະລິນຍາເອກກ່າວວ່າ.

ໃນການທົດລອງຄັ້ງຫນຶ່ງ, DOLPHIN ໄດ້ວິເຄາະຂໍ້ມູນຈຸລັງດຽວຈາກຄົນເຈັບມະເຮັງ pancreatic ແລະກວດພົບຫຼາຍກ່ວາ 800 ເຄື່ອງຫມາຍພະຍາດທີ່ເຄື່ອງມືທໍາມະດາພາດໂອກາດນີ້. ນີ້ອະນຸຍາດໃຫ້ລະບົບສາມາດແຍກຄວາມແຕກຕ່າງຂອງຄົນເຈັບທີ່ເປັນມະເຮັງທີ່ຮຸກຮານ, ມີຄວາມສ່ຽງສູງຈາກຜູ້ທີ່ເປັນພະຍາດທີ່ຮຸນແຮງຫນ້ອຍ, ຂໍ້ມູນທີ່ສໍາຄັນທີ່ຊ່ວຍໃຫ້ທ່ານຫມໍແກ້ໄຂແຜນການປິ່ນປົວ.

ນອກເຫນືອໄປຈາກມູນຄ່າຄໍາຮ້ອງສະຫມັກທັນທີທັນໃດ, ວຽກງານດັ່ງກ່າວຍັງວາງພື້ນຖານສໍາລັບເປົ້າຫມາຍໄລຍະຍາວຂອງການສ້າງແບບຈໍາລອງເຊນ virtual. ໂປຣໄຟລ໌ເຊລດຽວແບບລະອຽດທີ່ DOLPHIN ສ້າງສາມາດຮັບໃຊ້ເພື່ອຈຳລອງພຶດຕິກຳຂອງເຊນ ແລະ ການຕອບສະໜອງຢາ, ກ່ອນທີ່ຈະເຂົ້າຫ້ອງທົດລອງ ຫຼື ການທົດລອງທາງຄລີນິກ, ປະຢັດເວລາ ແລະ ຄ່າໃຊ້ຈ່າຍຢ່າງຫຼວງຫຼາຍ.

ຂັ້ນຕອນຕໍ່ໄປ, ທີມງານກ່າວວ່າ, ຈະເປັນການຂະຫຍາຍການ ນຳ ໃຊ້ຂອງເຄື່ອງມືໄປສູ່ຫຼາຍລ້ານເຊນ, ດ້ວຍວິທີນີ້, ການສ້າງແບບຈໍາລອງຈຸລັງ virtual ທີ່ຖືກຕ້ອງກວ່າໃນອະນາຄົດ.

ກັບໄປທີ່ຫົວຂໍ້

VNA

ທີ່ມາ: https://tuoitre.vn/ai-nhin-xuyen-te-bao-phat-hien-hang-tram-dau-an-ung-thu-vo-hinh-20251005202703229.htm