Застосування методів машинного навчання в сучасній антираковій терапії
Тип публікації :
Стаття
Дата випуску :
23 грудня 2025 р.
Автор(и) :
Тюрдьо, Іван
Кізілова, Наталія
Мова основного тексту :
Англійська
eKNUTSHIR URL :
Том :
81
Випуск :
2
ISSN :
1812-5409
Початкова сторінка :
217
Кінцева сторінка :
226
Цитування :
[APA 7] Тюрдьо, І., & Кізілова, Н. (2025). The application of machine learning methods in modern cancer therapy. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics, 81(2), 217–226. https://doi.org/10.17721/1812-5409.2025/2.34
[ДСТУ] Тюрдьо І., Кізілова Н. The application of machine learning methods in modern cancer therapy. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics. 2025. Vol. 81, no. 2. P. 217—226. DOI: 10.17721/1812-5409.2025/2.34 (date of access: 25.07.2026).
Метою пропонованого дослідження є аналіз сучасних підходів до оцінювання ефективності та безпечності лікарських засобів, які застосовують в антираковій терапії, із використанням методів машинного навчання. Особливу увагу приділено перспективам упровадження таких методів у математичну онкологію – галузь, що активно використовує математичне моделювання та комп'ютерні симуляції в онкологічних дослідженнях.
У межах роботи було здійснено пошук і вивчення актуальних наукових джерел, присвячених застосуванню машинного навчання в онкології. Також проведено систематичний огляд літератури, що висвітлює використання машинного навчання у цій сфері.
Проаналізовано основні підходи машинного навчання, такі як контрольоване навчання (Supervised Learning, SL), неконтрольоване навчання (Unsupervised Learning, UL) та навчання з підкріпленням (Reinforcement Learning, RL) у контексті сучасної онкології. Розглянуто конкретні приклади використання різних алгоритмів машинного навчання в дослідженнях, пов'язаних із лікуванням раку, а також загальніших онкологічних задач. Оцінено переваги й обмеження цих підходів залежно від поставлених цілей, наприклад у таких, як задачі прогнозування відповіді на лікування, ідентифікація біомаркерів, автоматизований аналіз медичних зображень.
За результатами роботи встановлено, що машинне навчання вже активно впроваджується в онкологічні дослідження та демонструє високу ефективність у розв'язанні різноманітних задач, зокрема виявляє приховані закономірності, що недоступно за традиційного аналізу. Водночас відзначено, що існують ще численні напрями, де застосування машинного навчання може суттєво посилити наукові розробки та клінічну практику. Зокрема, перспективним є використання алгоритмів навчання з підкріпленням у сфері персоналізованої прецизійної медицини, що відіграє ключову роль у створенні індивідуалізованих підходів до лікування онкологічних хвороб.
У межах роботи було здійснено пошук і вивчення актуальних наукових джерел, присвячених застосуванню машинного навчання в онкології. Також проведено систематичний огляд літератури, що висвітлює використання машинного навчання у цій сфері.
Проаналізовано основні підходи машинного навчання, такі як контрольоване навчання (Supervised Learning, SL), неконтрольоване навчання (Unsupervised Learning, UL) та навчання з підкріпленням (Reinforcement Learning, RL) у контексті сучасної онкології. Розглянуто конкретні приклади використання різних алгоритмів машинного навчання в дослідженнях, пов'язаних із лікуванням раку, а також загальніших онкологічних задач. Оцінено переваги й обмеження цих підходів залежно від поставлених цілей, наприклад у таких, як задачі прогнозування відповіді на лікування, ідентифікація біомаркерів, автоматизований аналіз медичних зображень.
За результатами роботи встановлено, що машинне навчання вже активно впроваджується в онкологічні дослідження та демонструє високу ефективність у розв'язанні різноманітних задач, зокрема виявляє приховані закономірності, що недоступно за традиційного аналізу. Водночас відзначено, що існують ще численні напрями, де застосування машинного навчання може суттєво посилити наукові розробки та клінічну практику. Зокрема, перспективним є використання алгоритмів навчання з підкріпленням у сфері персоналізованої прецизійної медицини, що відіграє ключову роль у створенні індивідуалізованих підходів до лікування онкологічних хвороб.
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
562.68 KB
Контрольна сума :
(MD5):fb29addea3fc7a04a381f8e25605d138
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution 4.0 International