Il deep learning un giorno potrebbe aiutare i medici a prendere decisioni sul trattamento più adatto per i pazienti affetti da tumore polmonare. I ricercatori della Penn State Great Valley riferiscono di aver sviluppato un modello di apprendimento profondo che, in determinate condizioni, è in grado di predire l’aspettativa di sopravvivenza dei pazienti con cancro del polmone con un’accuratezza del 71%, significativamente migliore rispetto ai tradizionali modelli testati dal team, che invece avevano un tasso di precisione di circa il 61%. Il lavoro è stato pubblicato dalla rivista International Journal of Medical Informatics.

Il modello può analizzare una grande quantità di dati sul paziente e sulla patologia (tipo di cancro, dimensione del tumore, velocità di crescita), considerandoli come fattori che influiscono sulla sopravvivenza. Non si sostituisce, naturalmente, al parere del medico e alla sua capacità di prendere decisioni sulla terapia da seguire, come precisa Youakim Badr, uno dei tre autori dello studio. Ma può essere un supporto importante.

I ricercatori hanno confrontato i tre metodi di deep learning più usati per la previsione della sopravvivenza (reti neurali artificiali, reti neurali convoluzionali e reti neurali ricorrenti), con i modelli automatici tradizionali e hanno ottenuto, con il deep learning, risultati significativamente migliori.

“Il deep learning è un algoritmo di apprendimento automatico che crea associazioni tra i dati, se stesso e le etichette che utilizziamo come esempi di dati”, spiega Badr. “Facendo queste associazioni il sistema impara dai dati stessi”.

Robin G. Qiu, co-autore dello studio aggiunge che la struttura del deep learning offre diversi vantaggi per molte attività di data science. In futuro, i ricercatori vorrebbero migliorare il modello e testarne la capacità di analizzare altri tipi di cancro e condizioni mediche. Per migliorare il modello, precisano i ricercatori, è importante confrontarsi con esperti in oncologia, che li aiutino a considerare tutti i fattori che potrebbero influenzare la sopravvivenza del paziente.

Fonte: International Journal of Medical Informatics