UTHSC遺傳學、基因組學和信息學系副教授 Yan Cui 博士最近從美國國家癌癥研究所獲得了 170 萬美元的資助，用于一項題為“基于算法的預防和減少因數(shù)據(jù)不平等引起的癌癥健康差異”的研究。 ”
崔博士的項目旨在預防和減少由癌癥相關(guān)基因組和臨床組學研究中的種族偏見數(shù)據(jù)引起的健康差異。他的目標是建立一種新的機器學習范式，用于多民族臨床組學數(shù)據(jù)。
近 20 年來，科學家們一直在使用全基因組關(guān)聯(lián)研究(稱為 GWAS)和臨床組學研究來檢測疾病的分子基礎。但統(tǒng)計數(shù)據(jù)顯示，GWAS 中使用的 80% 以上的數(shù)據(jù)來自主要是歐洲血統(tǒng)的人。
隨著人工智能 (AI) 越來越多地應用于生物醫(yī)學研究和臨床決策，這種以歐洲為中心的傾斜將加劇長期存在的健康差距。由于不到 20% 的基因組樣本來自非歐洲人后裔，代表性不足的人群在數(shù)據(jù)驅(qū)動、基于算法的生物醫(yī)學研究和醫(yī)療保健方面處于嚴重劣勢。
“生物醫(yī)學數(shù)據(jù)的劣勢已成為世界絕大多數(shù)人口的重大健康風險，”崔博士說。“人工智能驅(qū)動的精準醫(yī)療對于包括美國所有少數(shù)族裔在內(nèi)的數(shù)據(jù)弱勢人群的精確度將降低我們致力于解決因數(shù)據(jù)不平等而引起的健康差異。”
該項目在將使用的機器學習技術(shù)類型方面具有創(chuàng)新性。多民族機器學習通常使用混合學習和獨立學習方案。崔博士的項目將改為使用遷移學習過程。
遷移學習的工作方式與人類學習大致相同。面對新任務時，該算法不是從頭開始學習過程，而是利用從解決相關(guān)任務中學到的模式。這種方法大大減少了開發(fā)新模型所需的資源和數(shù)據(jù)量。
使用大規(guī)模癌癥臨床組學數(shù)據(jù)和基因型-表型數(shù)據(jù)，崔博士的實驗室將研究遷移學習如何以及在多大程度上改善數(shù)據(jù)劣勢隊列的機器學習。與此同時，該團隊旨在為公正的多民族機器學習創(chuàng)建一個開放的資源系統(tǒng)，以防止或減少新的健康差異。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！