Un progetto di: HEAL ITALIA, Università degli studi di Roma Tor Vergata e Istituto Dermopatico dell’Immacolata
Nel campo in rapida evoluzione della tecnologia medica, l’uso di sofisticati algoritmi per decifrare i dati trascrizionali è emerso come un aspetto critico, soprattutto nel settore oncologico. Questi algoritmi hanno migliorando significativamente la precisione nella previsione degli stati molecolari correlati al cancro.
In particolare, i modelli Transformer, rinomati per la loro competenza nella gestione di estesi set di dati, vengono ora adattati in modo innovativo per innovazioni nella diagnostica medica o nella stratificazione dei pazienti in base ai livelli prognostici. Questo studio migliora il campo della medicina di precisione integrando l’apprendimento basato su Transformer, esemplificato dal modello Geneformer, con tecniche di AI Explainable.
Questo approccio non solo contribuisce all’identificazione di marcatori genetici vitali nella genomica del cancro, ma anche esemplifica l’adattabilità dei modelli di intelligenza artificiale a diversi set di dati al fine di segnare un passo significativo nello sviluppo di strumenti diagnostici accurati e universalmente applicabili.
Obiettivi e benefici
Queste tecniche vengono impiegate per discernere quali variabili di input (geni risultanti dalla trascrizione genomica) sono maggiormente correlate con le decisioni dei sistemi neurali. Questa intuizione mira a selezionare il sottoinsieme di geni più rilevante per ogni compito specifico a cui viene applicata una rete neurale. Questo approccio di selezione è efficace in due compiti di classificazione, classificazione del tipo cellulare e classificazione del tipo di cancro al seno.
Tecnologie abilitanti
L’applicazione del supercalcolo permette di aumentare la precisione nelle previsioni degli algoritmi utilizzati.