جت‌های پلاسمای اتمسفری سرد (CAP) ترکیبی منحصربفرد از گونه‌های فعال اکسیژن، گونه‌های فعال نیتروژن، فوتون‌ها و میدان‌های الکتریکی را ارائه می‌کنند که ویژگی‌های مطلوبی را برای راه‌اندازی مسیر مرگ سلولی به‌طور انتخابی برای سلول‌های سرطانی نشان می‌دهند. با این حال، اثرات CAP بر سلول‌های سرطانی بسته به نوع خاصی از سلول‌های سرطانی تحت درمان و همچنین ویژگی‌های مختلف جت پلاسما، مانند ترکیب گاز، ولتاژ تخلیه و مدت زمان درمان، به طور قابل‌توجهی متفاوت است. از سوی دیگر، هوش مصنوعی قابلیت های قابل توجهی در تصمیم گیری در شرایط عدم قطعیت نشان داده است. پلاسمای تطبیقی در ارتباط با هوش مصنوعی می‌تواند به پیشرفت‌هایی در درمان‌های مستقل و شخصی‌شده سرطان منجر شود. این فصل مدل‌سازی ریاضی درمان سرطان با پلاسما را ارائه می‌کند و نتایج اخیر در پلاسمای یادگیری تطبیقی را خلاصه می‌کند.
کلید واژه ها
مدل کنترل پیش بینی
فراگیری ماشین
یادگیری تقویتی
استرس اکسیداتیو توقف چرخه سلولی کنترل یادگیری تطبیقی با فرآیند گاوسی