Naučnici sa Harvardske medicinske škole dizajnirali su svestran model veštačke inteligencije nalik ChatGPT-u koji je sposoban da obavlja niz dijagnostičkih zadataka u više oblika raka.
Novi sistem veštačke inteligencije, opisan 4. septembra u časopisu Nature, ide korak dalje od mnogih trenutnih pristupa AI dijagnostici raka, rekli su istraživači.
Trenutni sistemi veštačke inteligencije su obično obučeni za obavljanje specifičnih zadataka — kao što je otkrivanje prisustva raka ili predviđanje genetskog profila tumora — i imaju tendenciju da rade samo kod nekoliko tipova raka. Nasuprot tome, novi model može da obavlja širok spektar zadataka i testiran je na 19 tipova raka, dajući mu fleksibilnost kao kod velikih jezičkih modela kao što je ChatGPT.
Dok su se nedavno pojavili drugi osnovni AI modeli za medicinsku dijagnozu zasnovani na slikama patologije, veruje se da je ovo prvi koji predviđa ishode pacijenata i potvrđuje ih u nekoliko međunarodnih grupa pacijenata.
„Naša ambicija je bila da stvorimo okretnu, svestranu AI platformu nalik ChatGPT-u koja može da obavlja širok spektar zadataka procene raka“, rekao je viši autor studije Kun-Hsing Ju, docent biomedicinske informatike na Institutu Blavatnik na Medicinskoj školi Harvard.
„Naš model se pokazao veoma korisnim u višestrukim zadacima vezanim za otkrivanje raka, prognozu i odgovor na lečenje kod više vrsta raka.“
AI model, koji funkcioniše čitanjem digitalnih slajdova tumorskih tkiva, detektuje ćelije raka i predviđa molekularni profil tumora na osnovu ćelijskih karakteristika koje se vide na slici sa superiornom preciznošću u odnosu na većinu aktuelnih AI sistema.
Može da predvidi preživljavanje pacijenata kod više vrsta karcinoma i precizno odredi karakteristike u tkivu koje okružuje tumor – takođe poznato kao tumorsko mikrookruženje – koje su povezane sa odgovorom pacijenta na standardne tretmane, uključujući operaciju, hemoterapiju, zračenje i imunoterapiju.
Konačno, tim je rekao, čini se da je alat sposoban da generiše nove uvide – identifikovao je specifične karakteristike tumora za koje se ranije nije znalo da su povezane sa preživljavanjem pacijenata.
Nalazi, rekao je istraživački tim, doprinose rastućim dokazima da pristupi zasnovani na veštačkoj inteligenciji mogu poboljšati sposobnost kliničara da efikasno i precizno procenjuju rak, uključujući identifikaciju pacijenata koji možda ne reaguju dobro na standardne terapije raka.
„Ako se dalje validira i široko primenjuje, naš pristup i pristupi slični našem, mogli bi rano da identifikuju pacijente sa rakom koji bi mogli imati koristi od eksperimentalnih tretmana koji ciljaju na određene molekularne varijacije, sposobnost koja nije ujednačeno dostupna širom sveta“, rekao je Ju.
Najnoviji rad tima se zasniva na Ju-ovom prethodnom istraživanju sistema veštačke inteligencije za procenu raka debelog creva i tumora mozga. Ove ranije studije su pokazale izvodljivost pristupa u okviru specifičnih tipova raka i specifičnih zadataka.
Novi model, nazvan CHIEF (Clinical Histopathologi Imaging Evaluation Foundation), obučen je na 15 miliona neoznačenih slika podeljenih u delove od interesa. Alat je zatim dodatno obučen na 60.000 slika celog slajda tkiva uključujući pluća, dojke, prostatu, kolorektal, želudac, jednjak, bubreg, mozak, jetru, štitnu žlezdu, pankreas, grlić materice, matericu, jajnike, testise, kožu, meko tkivo, nadbubrežne žlezde i bešike.
Obuka modela da posmatra i određene delove slike i celu sliku omogućila mu je da poveže specifične promene u jednom regionu sa ukupnim kontekstom. Ovaj pristup, kažu istraživači, omogućio je CHIEF-u da holistički tumači sliku uzimajući u obzir širi kontekst, umesto da se fokusira samo na određeni region.
Nakon obuke, tim je testirao učinak CHIEF-a na više od 19.400 slika celog slajda iz 32 nezavisna skupa podataka prikupljenih iz 24 bolnice i kohorte pacijenata širom sveta.
Sve u svemu, CHIEF je nadmašio druge najsavremenije metode veštačke inteligencije za do 36% u sledećim zadacima: otkrivanje ćelija raka, identifikacija porekla tumora, predviđanje ishoda pacijenata i identifikacija prisustva gena i DNK obrazaca koji se odnose na odgovor na lečenje.
Zbog svoje raznovrsne obuke, CHIEF je delovao podjednako dobro bez obzira na to kako su dobijene tumorske ćelije – bilo putem biopsije ili hirurške ekscizije. I bilo je jednako tačno, bez obzira na tehniku koja se koristila za digitalizaciju uzoraka ćelija raka. Ova prilagodljivost, rekli su istraživači, čini CHIEF-a upotrebljivim u različitim kliničkim okruženjima i predstavlja važan korak dalje od trenutnih modela koji imaju tendenciju da rade dobro samo kada se čitaju tkiva dobijena specifičnim tehnikama.
CHIEF je postigao skoro 94% tačnosti u otkrivanju raka i značajno je nadmašio trenutne pristupe veštačke inteligencije u 15 skupova podataka koji sadrže 11 tipova raka. U pet skupova podataka o biopsiji prikupljenih od nezavisnih kohorti, CHIEF je postigao 96% tačnosti za više tipova raka uključujući jednjak, želudac, debelo crevo i prostatu.
Kada su istraživači testirali CHIEF-a na prethodno neviđenim slajdovima sa hirurški uklonjenih tumora debelog creva, pluća, dojke, endometrijuma i grlića materice, model je pokazao više od 90% preciznosti.
Genetski sastav tumora sadrži ključne tragove za određivanje njegovog budućeg ponašanja i optimalnih tretmana. Da bi dobili ove informacije, onkolozi naručuju DNK sekvenciranje uzoraka tumora, ali tako detaljno genomsko profilisanje tkiva raka ne radi se rutinski niti jednoobrazno širom sveta zbog troškova i vremena uključenih u slanje uzoraka u specijalizovane laboratorije za sekvenciranje DNK. Čak iu regionima sa dobrim resursima, proces bi mogao da potraje nekoliko nedelja. To je praznina koju bi AI mogla popuniti, rekao je Iu.
Brzo identifikovanje ćelijskih obrazaca na slici koja ukazuje na specifične genomske aberacije moglo bi ponuditi brzu i isplativu alternativu genomskom sekvenciranju, rekli su istraživači.
CHIEF je nadmašio trenutne AI metode za predviđanje genomskih varijacija u tumoru gledajući mikroskopske pločice. Ovaj novi pristup AI uspešno je identifikovao karakteristike povezane sa nekoliko važnih gena povezanih sa rastom i supresijom raka, i predvideo je ključne genetske mutacije vezane za to koliko dobro tumor može da reaguje na različite standardne terapije.
CHIEF je takođe otkrio specifične DNK obrasce koji se odnose na to koliko dobro tumor debelog creva može da reaguje na oblik imunoterapije koja se zove blokada imunološke kontrolne tačke.
Gledajući slike celog tkiva, CHIEF je identifikovao mutacije u 54 najčešće mutirana gena raka sa ukupnom tačnošću od više od 70%, što je bolje od trenutne najsavremenije AI metode za predviđanje genomskog raka. Njegova tačnost je bila veća za specifične gene u specifičnim tipovima raka.
Tim je takođe testirao CHIEF-a na njegovoj sposobnosti da predvidi mutacije povezane sa odgovorom na ciljane terapije koje je odobrila FDA u 18 gena koji obuhvataju 15 anatomskih mesta. CHIEF je postigao visoku preciznost kod više vrsta karcinoma, uključujući 96% u otkrivanju mutacije u genu EZH2 uobičajenom kod raka krvi koji se zove difuzni veliki B-ćelijski limfom. Postigao je 89% za mutaciju BRAF gena kod raka štitaste žlezde i 91% za mutaciju NTRK1 gena kod raka glave i vrata.
CHIEF je uspešno predvideo preživljavanje pacijenata na osnovu histopatoloških slika tumora dobijenih u vreme inicijalne dijagnoze. U svim tipovima karcinoma i svim grupama pacijenata koje su proučavane, CHIEF je razlikovao pacijente sa dugotrajnijim preživljavanjem od onih sa kratkoročnim preživljavanjem.
CHIEF je nadmašio druge modele za 8%. A kod pacijenata sa naprednijim karcinomom, CHIEF je nadmašio druge modele AI za 10%. Sve u svemu, CHIEF-ova sposobnost da predvidi visok naspram niskog rizika od smrti testirana je i potvrđena na uzorcima pacijenata iz 17 različitih institucija.
Model je identifikovao uzorke signala na slikama koji se odnose na agresivnost tumora i preživljavanje pacijenata. Da bi vizuelizovao ove oblasti od interesa, CHIEF je napravio toplotne mape na slici. Kada su ljudski patolozi analizirali ove vruće tačke dobijene od veštačke inteligencije, videli su intrigantne signale koji odražavaju interakcije između ćelija raka i okolnih tkiva.
Jedna takva karakteristika je prisustvo većeg broja imunih ćelija u oblastima tumora kod dugotrajnijih preživelih, u poređenju sa kratkoročnim preživelima. Taj nalaz, primetio je Ju, ima smisla jer veće prisustvo imunih ćelija može ukazivati na to da je imuni sistem aktiviran da napadne tumor.
Gledajući tumore kratkotrajno preživelih, CHIEF je identifikovao regione od interesa obeležene abnormalnim odnosom veličine između različitih ćelijskih komponenti, više atipičnih karakteristika na jezgru ćelija, slabim vezama između ćelija i manjim prisustvom vezivnog tkiva u tom području. okružuju tumor.
Ovi tumori su takođe imali veće prisustvo umirućih ćelija oko sebe. Na primer, kod tumora dojke, CHIEF je kao oblast od interesa istakao prisustvo nekroze – ili smrti ćelije – unutar tkiva.
Sa druge strane, verovatnije je da će karcinom dojke sa većom stopom preživljavanja imati očuvanu ćelijsku arhitekturu koja liči na zdrava tkiva. Vizuelne karakteristike i zone interesovanja u vezi sa preživljavanjem varirale su u zavisnosti od tipa raka, primetio je tim.
