Kombinacija vizuelnih informacija (mikroskopskih i rendgenskih snimaka, CT i MRI skeniranja, na primer) sa tekstom (beleške sa ispita, komunikacija između lekara različitih specijalnosti) je ključna komponenta nege raka. Ali dok veštačka inteligencija pomaže lekarima da pregledaju slike i pronađu anomalije povezane sa bolešću kao što su ćelije abnormalnog oblika, bilo je teško razviti kompjuterizovane modele koji mogu da uključe više vrsta podataka.
Sada su istraživači na Stanford Medicine razvili AI model koji može da ugradi vizuelne i jezičke informacije. Nakon obuke na 50 miliona medicinskih slika standardnih patoloških slajdova i više od 1 milijarde tekstova vezanih za patologiju, model je nadmašio standardne metode u svojoj sposobnosti da predvidi prognoze hiljada ljudi sa različitim tipovima raka, da identifikuje koji ljudi sa plućima ili karcinomi gastroezofagea će verovatno imati koristi od imunoterapije i da preciziraju ljude sa melanomom za koje je najverovatnije da će doživeti ponovnu pojavu raka.
Istraživači su model nazvali MUSK, za multimodalni transformator sa jedinstvenim modeliranjem maske. MUSK predstavlja značajno odstupanje od načina na koji se veštačka inteligencija trenutno koristi u uslovima kliničke nege, a istraživači veruju da će transformisati način na koji veštačka inteligencija može da vodi brigu o pacijentima.
„MUSK može tačno da predvidi prognoze ljudi sa mnogo različitih vrsta i stadijuma raka“, rekao je Ruijiang Li, MD, vanredni profesor radijacione onkologije.
„Mi smo dizajnirali MUSK zato što se u kliničkoj praksi lekari nikada ne oslanjaju samo na jednu vrstu podataka da bi doneli kliničke odluke. Želeli smo da iskoristimo više vrsta podataka da bismo stekli bolji uvid i dobili preciznija predviđanja o ishodima pacijenata.“
Li, koji je član Stenfordskog instituta za rak, je stariji autor studije, koja je objavljena u časopisu Nature. Postdoktorandi Jinki Ksiang, Ph.D., i Ksiiue Vang, Ph.D., su vodeći autori istraživanja.
Iako se alati veštačke inteligencije sve više koriste u klinici, oni su prvenstveno služili za dijagnostiku (da li ovaj mikroskopski snimak ili skeniranje pokazuju znake raka?), a ne za prognozu (koji je verovatni klinički ishod ove osobe i koja terapija je najefikasnija za pojedinca?).
Deo izazova je potreba da se modeli obuče na velikim količinama obeleženih podataka (ovo je, na primer, dijapozitiv mikroskopskog dela plućnog tkiva sa kancerogenim tumorom) i uparenih podataka (ovde su kliničke beleške o pacijentu iz kome je tumor dobijen). Međutim, teško je doći do pažljivo odabranih i anotiranih skupova podataka.
U smislu veštačke inteligencije, MUSK je ono što se zove temeljni model. Osnovni modeli unapred obučeni za ogromne količine podataka mogu se prilagoditi dodatnom obukom za obavljanje specifičnih zadataka. Pošto su istraživači dizajnirali MUSK da koristi neuparene multimodalne podatke koji ne ispunjavaju tradicionalne zahteve za obuku veštačke inteligencije, skup podataka koje računar može da koristi da „nauči“ tokom inicijalne obuke proširen je za nekoliko redova veličine.
Sa ovim početnim startom, svaka naredna obuka se postiže sa mnogo manjim, specijalizovanijim skupovima podataka. U stvari, MUSK je gotov alat koji lekari mogu fino da podese kako bi pomogli u odgovoru na određena klinička pitanja.
„Najveća nezadovoljena klinička potreba je za modelima koje lekari mogu da koriste za usmeravanje lečenja pacijenata“, rekao je Li. „Da li je ovom pacijentu potreban ovaj lek? Ili bi trebalo da se umesto toga fokusiramo na drugu vrstu terapije? Trenutno, lekari koriste informacije poput stadija bolesti i specifičnih gena ili proteina da bi doneli ove odluke, ali to nije uvek tačno.“
Istraživači su prikupili mikroskopske slajdove odsečaka tkiva, povezane izveštaje o patologiji i podatke o praćenju (uključujući kako su pacijenti prošli) iz nacionalne baze podataka Atlas genoma raka za ljude sa 16 glavnih tipova raka, uključujući dojke, pluća, kolorektalni i pankreas. , bubrezi, bešika, glava i vrat. Koristili su informacije da obuče MUSK da predvidi preživljavanje specifično za bolest ili procenat ljudi koji nisu umrli od određene bolesti tokom definisanog vremenskog perioda.
Za sve tipove karcinoma, MUSK je tačno predvideo preživljavanje pacijenata specifično za bolest u 75% vremena. Nasuprot tome, standardna predviđanja zasnovana na stadijumu raka osobe i drugim kliničkim faktorima rizika bila su tačna u 64% vremena.
U drugom primeru, istraživači su obučili MUSK-a da koristi hiljade bitova informacija kako bi predvideo koji pacijenti sa karcinomom pluća ili želuca i jednjaka će najverovatnije imati koristi od imunoterapije.
„Trenutno, glavna odluka o tome da li pacijentu dati određenu vrstu imunoterapije zavisi od toga da li tumor te osobe izražava protein koji se zove PD-L1“, rekao je Li.
„To je biomarker napravljen od samo jednog proteina. Nasuprot tome, ako možemo da koristimo veštačku inteligenciju da procenimo stotine ili hiljade bitova mnogih tipova podataka, uključujući slike tkiva, kao i demografiju pacijenata, istoriju bolesti, prošle tretmane i laboratorijske testove prikupljeni iz kliničkih beleški, možemo mnogo preciznije odrediti ko bi mogao imati koristi.“
Za karcinom pluća ne-malih ćelija, MUSK je tačno identifikovao pacijente koji su imali koristi od imunoterapijskog tretmana u oko 77% vremena. Nasuprot tome, standardni metod predviđanja imunoterapijskog odgovora na osnovu ekspresije PD-L1 bio je tačan samo oko 61% vremena.
Slični rezultati su dobijeni kada su istraživači obučili MUSK da identifikuje koji ljudi sa melanomom će najverovatnije imati recidiv u roku od pet godina nakon početnog lečenja. U ovom slučaju, model je bio tačan oko 83% vremena, što je oko 12% tačnije od predviđanja koje su generisali drugi modeli temelja.
„Ono što je jedinstveno u vezi sa MUSK-om je mogućnost uključivanja neparnih multimodalnih podataka u prethodnu obuku, što značajno povećava skalu podataka u poređenju sa uparenim podacima koje zahtevaju drugi modeli“, rekao je Li.
„Uočili smo da za sve zadatke kliničkog predviđanja, modeli koji integrišu više tipova podataka dosledno nadmašuju one zasnovane samo na slikovnim ili tekstualnim podacima. Korišćenje ovih tipova neuparenih multimodalnih podataka sa modelima veštačke inteligencije kao što je MUSK biće veliki napredak u sposobnosti veštačka inteligencija za pomoć lekarima da poboljšaju brigu o pacijentima.“
