사물 인터넷 기술
산업 제조
새로운 머신러닝 모델은 현재 시도와 오류 방식 대신 ICB에 반응할 가능성이 가장 높은 환자를 빠르게 식별함으로써 치료까지의 시간을 줄일 수 있습니다.
에인트호벤 공과대학 연구자들은 머신러닝을 활용해 특정 면역요법이 암 환자에게 도움이 될지 더 잘 예측하고 있습니다. 최신 논문의 모델은 유망하며 지금까지 전통적인 임상 접근법을 능가합니다.
종양 세포는 신체의 자연 방어에서 숨으며, 암을 표적화하고 치료하기 악명 높게 만듭니다. 종양 세포는 신체의 자연 면역 반응을 차단하지만 면역요법은 일부 환자에게 그것을 다시 깨울 수 있습니다. 문제는 초기에 어떤 환자가 반응할 가능성이 가장 높은지 발견하는 것입니다.
그러한 치료 중 하나인 면역 관문 차단제(ICB)는 암세포가 숨으려고 발행한 셧다운 명령을 무시하라고 면역 세포에 지시합니다. 혁명적인 발견이지만, 암 환자의 약 3분의 1만 치료에 반응합니다.
새로운 머신러닝 모델은 현재 시도와 오류 방식 대신 ICB에 반응할 가능성이 가장 높은 환자를 빠르게 식별함으로써 치료까지의 시간을 줄일 수 있습니다. 이 모델은 반응하지 않을 가능성이 높은 환자들이 적시에 치료를 받도록 도울 수도 있습니다. 그 모델은 다른 3분의 2 환자가 반응하지 않는 정확한 이유를 밝혀낼 수도 있습니다.
참고: AI가 임상 시험의 새로운 시대를 열 수 있습니다
머신러닝은 환자 샘플에서 종양의 바이오마커를 탐색합니다. 이 마커들이 ICB에 대한 반응이나 거부를 일으키며 다른 세포와 어떻게 소통하는지 탐색합니다. 거기서 머신은 환자 샘플로부터 학습하여 ICB 성공을 나타내는 동일한 바이오마커를 가진 미래 환자를 식별할 수 있습니다.
머신러닝 사용은 새로운 방법이 아니지만, 연구자들은 지속적인 데이터 접근 문제를 풀기 위한 작은 트릭을 추가했습니다. RNA 시퀀싱 데이터셋은 널리 이용 가능하지만, 암 반응에 특화된 것은 제한적입니다. 연구자들은 여러 대체 면역 반응을 사용했습니다. 함께, 그들은 긍정적인 ICB 반응을 나타낼 수 있습니다.
현재 바이오마커 탐지와 비교 테스트했을 때, 모델이 더 잘 수행했습니다. 원하는 면역 반응을 얻는 데 가장 중요한 마커가 무엇인지 식별하는 데도 유용할 수 있습니다. 의사 및 의료 전문가와의 파트너십으로 개인 맞춤 의학을 제공하는 또 다른 단계입니다.
사물 인터넷 기술
머신러닝(Machine Learning)은 인공지능(AI) 한 갈래로, 기계가 명시적 프로그래밍 없이 실제 데이터로부터 학습하는 기술입니다. 산업 현장에서 이 알고리즘이 주는 이점과 활용법을 살펴봅니다. 머신러닝 기초 AI 분파로, 알고리즘이 실데이터 학습 → 모델 생성 → 신규 데이터 클래스/유형 예측. 두 주요 패러다임: 지도 학습(Supervised Learning): 정답 레이블 붙은 데이터셋 필요 비지도 학습(Unsupervised Learning): 레이블 없이 데이터 특성 기반 자율 군집화·분류 핵심 역량: 패
이제 누구나 머신러닝과 그것이 모든 것을 바꿀 것이라는 이야기를 들어봤을 것입니다. 하지만 어떻게 시작해야 할지 아는 사람은 드뭅니다. 이 블로그의 단계를 따라하거나 읽어보는 것만으로도 PLCnext 컨트롤러로 머신러닝을 시작하는 방법을 이해하는 데 도움이 되길 바랍니다. 여기서는 첫 ML 모델 훈련, ONNX 표준으로 변환, PLCnext 컨트롤러에서 모델 추론까지 다룹니다. 유명한 아이리스 데이터셋을 사용해 모델을 구축하겠습니다. 머신러닝 소개 머신러닝이란? 머신러닝의 핵심은 통계와 알고리즘을 사용해 데이터셋에서 패턴을 찾는