Tim istraživača računarskih nauka sa Univerziteta Rajs otkrio je pristrasnost u široko korišćenim alatima za mašinsko učenje koji se koriste za istraživanje imunoterapije. Njihovo istraživanje pokazuje da podaci koji se koriste za obuku ovih alata imaju tendenciju da favorizuju zajednice sa višim prihodima, što može imati značajan uticaj na efikasnost budućih terapija.
Imunoterapija je oblast medicine koja istražuje načine kako jačati imunološki odgovor organizma na bolesti, uključujući rak. Ključni korak u razvoju imunoterapije je tačno predviđanje kako će se određeni proteini vezati za gene koji kodiraju proteine HLA, koji su ključni za identifikaciju i uništavanje zaraženih ćelija. Međutim, istraživanje koje je sprovela grupa sa Univerziteta Rajs otkriva da su alati za mašinsko učenje koji se koriste za ovo predviđanje pristrasni prema zajednicama sa višim prihodima.
Dr. studenti Anja Conev, Romanos Fasoulis i Sarah Hall-Svan, zajedno sa članovima fakulteta Rodrigo Ferreirai Lidijom Kavraki, pregledali su javno dostupne podatke o predviđanju vezivanja peptida-HLA (pHLA) i otkrili su ovu pristrasnost. Njihovi nalazi ukazuju na to da su modeli mašinskog učenja, iako tvrde da mogu ekstrapolirati za podatke o alelima koji nisu prisutni u skupu podataka, zapravo nisu u potpunosti „pan-alel“ ili „all-alel“.
Kroz ovu studiju, istraživači su hteli da skrenu pažnju na problem pristrasnosti u podacima za mašinsko učenje, ističući da je neophodno razumeti podatke u društvenom kontekstu kako bi se ispravno primijenili alati za mašinsko učenje. Profesor Kavraki ističe koliko je važno da alati koji se koriste u medicinskim istraživanjima budu tačni i pošteni, posebno u kontekstu personalizovanih terapija poput imunoterapije.
Ova studija pruža ključne uvide koji će biti od koristi istraživačkoj zajednici u razvijanju pravednijih i efikasnijih terapija. Nadamo se da će njeni nalazi podstaći dalja istraživanja koja će uključiti i pomoći ljudima širom različitih demografskih grupa.
