在动物身上做实验是生物医学研究的一个重要部分，。科学家被鼓励在他们的研究中使用尽可能少的动物，但减少动物数量也会降低研究人员对研究结果的准确性。如果一种治疗方法只有很小的效果。
然而，一种新的机器学习技术(一种人工智能)可以减少在某些研究中需要的动物数量，并且仍然给出精确的结果。
这种被称为线性泊松模型的方法是由曼彻斯特大学(University of Manchester)开发的，目的是帮助行星科学家自动检查火星和月球的图像。它被用来学习行星地形的不同纹理，然后测量在同一颗行星上的其他地方出现了多少相同的纹理。这种方法也帮助公民科学项目月球动物园计算月球上的陨石坑。
它发现了一种新的用途，作为癌症研究人员检查植入实验室小鼠肿瘤医学图像的工具。与传统的统计方法相比，早期的试验表明，用这种方法检测癌症研究中治疗方法的效果可能需要减少16倍的动物。
机器学习方法可以描述已治疗的肿瘤组和未治疗的肿瘤组之间的差异。我们进行的概念验证研究中使用的医学图像使用的是一种测量水分子随机运动的扫描方式。这是有用的，因为当细胞组织分解时，治疗过的肿瘤变得更加湿润。
寻找这些变化可能是困难的，因为治疗需要时间才能产生效果，而肿瘤随着时间的推移也会发生变化，无论它们是否得到了治疗。另外，肿瘤有很多不同的变化方式，没有两种肿瘤是完全相同的。这种复杂的行为现在可以用机器学习的方法来学习，这样治疗效果就可以精确地在单个肿瘤中测量出来。
更传统的方法，使用统计学家称之为检验的方法，通常需要使用12只或更多的动物才能看到精确的结果。
更灵敏的方法，癌症治疗可以在某些组合中更好地工作，也可以更好或更差地工作，这取决于肿瘤的基因。找出哪种治疗方法对不同的肿瘤效果最好是一个持续的挑战。
肿瘤之间的遗传差异的数量和可能的治疗组合的数量导致需要进行成千上万的实验。这种新方法有可能大大减少大型实验所需的动物数量。这种方法的灵敏度也允许进行更短的实验，从而减少动物的不适和痛苦。
我们的概念验证研究是充分认识到新方法的好处的第一步，但首先必须证明类似的结果可以在其他肿瘤图像上重复。我们相信他们会的。
