پژوهشگران دانشگاه تهران به سرپرستی دکتر علی مسعودی‌نژاد دو پژوهش نوآورانه در زمینه‌ی یادگیری عمیق و پزشکی شخصی‌سازی‌شده انجام دادند.

در پژوهش نخست، تیم تحقیقاتی چارچوبی جدید برای نرمال‌سازی داده‌های زیستی طراحی کرد. هدف این طرح، افزایش دقت مدل‌های هوش مصنوعی در تحلیل داده‌های پاتولوژی دیجیتال است. پژوهشگران چهار روش نرمال‌سازی — شامل رویکردهای یادگیری عمیق، سنتی، ترکیبی و پردازش سیگنال — را بررسی کردند. نتایج نشان می‌دهد حفظ اطلاعات زیستی در مرحله‌ی نرمال‌سازی دقت تشخیص‌های پزشکی را به‌طور قابل توجهی افزایش می‌دهد. این روش، کیفیت داده‌های ورودی را بالا می‌برد و به توسعه‌ی ابزارهای دقیق‌تر در پزشکی هوشمند کمک می‌کند.

در پژوهش دوم، گروه مسعودی‌نژاد از مدل‌های یادگیری عمیق و داده‌های چنداُمیک برای پیش‌بینی میزان بقا در بیماران مبتلا به سرطان آندومتریوئید استفاده کرد. داده‌های ژنتیکی، متیلاسیون DNA و پروتئومیک با یکدیگر ترکیب شدند تا ارتباط میان ویژگی‌های زیستی و وضعیت بالینی بیماران مشخص شود. نتیجه‌ی این تحلیل، شناسایی مسیرهای مولکولی تازه‌ای بود که با ویتامین D و گیرنده‌ی گالانین ارتباط دارند. این یافته‌ها می‌توانند به تشخیص زودهنگام و درمان هدفمند بیماران کمک کنند.

دکتر مسعودی‌نژاد اعلام کرد که ترکیب هوش مصنوعی با داده‌های زیستی، مسیر تازه‌ای برای تشخیص و درمان‌های فردمحور ایجاد می‌کند. او افزود که آینده‌ی پزشکی بر پایه‌ی تحلیل داده‌های عمیق و مدل‌های هوشمند شکل خواهد گرفت و این رویکردها نقش مهمی در تحول نظام سلامت دارند.