Enfoques innovadores de aprendizaje automático utilizados para crear una visión integral de los factores de riesgo del cáncer de mama
Crédito: CC0 Dominio público
Un artículo publicado recientemente por la Universidad de Finlandia Oriental y el Hospital Universitario de Kuopio informa sobre un nuevo uso innovador del aprendizaje automático para ayudar a comprender el interacción de la genética y otros factores de riesgo de cáncer de mama.
Nuevos descubrimientos en los últimos años han identificado varios factores de riesgo que contribuyen al riesgo de cáncer de mama. Los enfoques capaces de fusionar factores de riesgo genéticos (SNP) y no genéticos podrían identificar a las personas con un alto riesgo de desarrollar cáncer y permitir el desarrollo de programas de detección adaptados al riesgo para una mejor prevención del cáncer. Esto podría mejorar potencialmente el rendimiento general del cribado de BC y dar lugar a una asignación eficiente de los recursos clínicos. Los resultados se publicaron en informes científicos revisados por pares.
Un nuevo modelo creado para analizar la interacción de los factores de riesgo de cáncer de mama utilizando el aprendizaje automático
Un desafío importante en la predicción del riesgo de cáncer de mama es desarrollar un modelo que incorpore todos los factores de riesgo conocidos y recién encontrados mientras se consideran las interacciones entre ellos. El modelo de aprendizaje automático desarrollado en el Instituto de Medicina Clínica, Patología y Medicina Forense de la Universidad del Este de Finlandia permite identificar combinaciones de variantes genéticas que interactúan y factores de riesgo demográficos del cáncer de mama, lo que puede predecir de manera eficiente el riesgo de cáncer de mama.
El enfoque de aprendizaje automático se basa en un método de refuerzo de árbol de gradiente seguido de un algoritmo de búsqueda iterativo adaptativo. Las características mejor identificadas, es decir, los SNP que interactúan con los factores de riesgo demográficos, se utilizan para predecir el riesgo de cáncer de mama de un individuo desconocido. El análisis se ha realizado con los datos del Proyecto de cáncer de mama de Kuopio (KBCP).
El mapa de interacción de genes identificados incluye los genes ESR1 y FGFR1, que están vinculados al subtipo de cáncer de mama con receptor de estrógeno positivo
Curiosamente, el mapa de interacción génica de los SNP, que se encontró que interactúan con los factores de riesgo demográficos, apunta a la prominente red vinculada a los estrógenos (red ESR1). El mapa de interacciones génicas también apunta al gen FGFR2, que es uno de los loci de susceptibilidad genética más importantes en el cáncer de mama no hereditario.
«Dado que el cáncer es una enfermedad multifactorial causada por el estilo de vida, la genética, la y factores ambientales, el análisis individual de las fuentes de variantes genéticas puede no ser suficiente para crear una visión integral del riesgo de enfermedad. En Kuopio, ahora estamos desarrollando enfoques innovadores de aprendizaje automático para combinar diferentes fuentes de datos, como características mamográficas». concluye Hamid Behravan, investigador postdoctoral especializado en inteligencia artificial (IA) y aprendizaje automático en el laboratorio de investigación del cáncer de Mannermaa.
Explore más
Un estudio del genoma relaciona los cambios en el ADN con los riesgos de subtipos específicos de cáncer de mama Más información: Hamid Behravan et al. Predicción del riesgo de cáncer de mama mediante factores genéticos y demográficos interactivos y aprendizaje automático, Scientific Reports (2020). DOI: 10.1038/s41598-020-66907-9 Información de la revista: Scientific Reports
Proporcionado por la Universidad de Finlandia Oriental Cita: Enfoques innovadores de aprendizaje automático utilizados para crear un vista integral de los factores de riesgo del cáncer de mama (2020, 7 de julio) consultado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-07-machine-approaches-comprehensive-view-breast.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.