在实验执行和数据分析方面，癌症研究正在从根本上发生改变。
低成本、高通量DNA测序的推出加速了数据生成过程。在一天之内，精细的仪器可运行涵盖数千个核酸的实验。由于生成数据不再是一个艰难的过程，因此，当前的挑战转变为全面解读数据集代表的含义。
Chowdhury博士正在创建一种新型血液测试方法，以快速检测早期卵巢癌。该测试可检测血液样本中被称为microRNA的非编码小RNA。尽管microRNA (22个碱基对)比基因更小，但人类细胞中仍含有一千多个这类序列。研究microRNA并不比研究基因组文库复杂，并且可以使用与基因组文库相同的测序技术快速生成数据。
Chowdhury说，“机器学习教会计算机识别模式。我们正在寻找microRNA的特征组合，而不是探究哪个基因会导致卵巢癌”
Chowdhury通过机器学习，充分利用卵巢癌患者血液样本测序所产生的大量数据。“我们可以为计算机提供来自数千种microRNA分子的信息。我们利用统计数据来了解卵巢癌患者与无癌细胞或良性肿瘤患者的microRNA水平分布概率。我们不知道有多少microRNA组合可以促进癌症发生。该算法给出了患卵巢癌的风险概率评分。”
据Chowdhury所述，机器学习将有可能解决癌症研究中的数据分析瓶颈。他说，“我相信这项技术也可以用于其他癌症，并取得类似的成功。”
除机器学习外，生命科学研究人员正在试验宏大的治疗计划，特别是在开发个性化医疗方面。嵌合抗原受体(CAR) T细胞等免疫疗法通过对患者自身细胞进行基因修饰，从而靶向并破坏白血病中的癌细胞。基因编辑是产生用于免疫治疗的CAR T细胞的关键技术。
CAR T细胞疗法已被证明有望治疗白血病，但仍然有许多因素阻碍了它在其他癌症类型中的应用。这些挑战包括实体瘤细胞缺乏独特抗原以及T细胞自身在浸润实体瘤方面的困难。
然而，这些问题可以通过改进抗原检测、改变基因编辑策略以及使用更精细的技术来解决。目前，有多个学术和制药实验室正在努力改进支撑CAR T细胞疗法的技术。
这些技术和疗法还处于初级阶段，但将机器学习和个性化医疗应用于癌症治疗的希望很大。