Instrumente puternice de inteligență artificială pentru prezicerea viitorului cancer

Cercetătorii MIT și-au îmbunătățit sistemele de învățare automată pentru a prezice riscul de cancer din imaginile mamografice și și-au validat eficacitatea prin studii efectuate în mai multe spitale. Credit: Imagini oferite de cercetători

Cercetătorii au dezvoltat un algoritm de evaluare a riscurilor care arată performanțe consistente pe seturile de date din Statele Unite, Europa și Asia.

Trebuie să prezicem cine va obține în viitor depistarea cancerului. Natura complexă a riscului de a fi prezis a fost încurajată de instrumentele de inteligență artificială (AI), dar există limitări în ceea ce privește adoptarea IA în tratament, din cauza performanței slabe la noi populațiile de pacienți și neglijarea minorităților etnice.

Un grup de oameni de știință de acum doi ani CuLaboratorul de Informatică și Inteligență Artificială (CSAIL) și Clinica Jamil (Clinica J) au demonstrat un sistem de educație aprofundat pentru a prezice riscul de cancer folosind mamografia unui singur pacient. Modelul a arătat o promisiune semnificativă și chiar o îmbunătățire a incluziunii: acest lucru a fost la fel de adevărat atât pentru albi, cât și pentru negri, mai ales având în vedere că femeile negre erau cu 43% mai predispuse să moară de cancer de sân.

Cu toate acestea, pentru a integra modelele de risc bazate pe imagini în îngrijirea clinică și a le face disponibile pe scară largă, cercetătorii au spus că sunt necesare atât îmbunătățiri algoritmice, cât și validitate pe scară largă în mai multe spitale pentru a dovedi robustețea modelelor.

În acest scop, au creat noul lor algoritm „Mirai” pentru a surprinde nevoia unică de modelare riscantă. Mirai modelează în mod colectiv riscul pacientului în mai multe momente de timp viitoare și poate beneficia în mod alternativ dacă sunt disponibili factori de risc clinic, cum ar fi vârsta sau istoricul familial. Algoritmul este, de asemenea, conceput pentru a face predicții în concordanță cu modificări minore în mediul clinic, cum ar fi alegerea mașinii de mamografie.


Instrumente puternice de inteligență artificială pot fi utilizate pentru a prezice viitorul cancer de sân.

Echipa l-a instruit pe Mairi pe același set de date de peste 200.000 de teste de la Spitalul General din Massachusetts (MGH) din lucrările lor anterioare și l-a validat pe seturile de teste MGH de la Institutul Karolinska din Suedia și Spitalul Memorial Chang Gung din Taiwan. Mirai este acum instalat în MGH și coechipierii lucrează activ pentru a integra modelul cu grijă.

Atunci când a comparat asociațiile cu risc ridicat cu seturi de test MGH precise cu precizie comparativ cu metodele anterioare de predicție a riscului de cancer Mirai și identificarea grupurilor cu risc ridicat din trei seturi de date, echipa a descoperit că modelul lor îndeplinește standardul clinic actual, detectat Tierre-Cuerge Detection. Mirai a fost la fel de precis la pacienții de diferite rase, grupe de vârstă și densități mamare în setul de test MGH și în diferite subtipuri de cancer în setul de test Karolinska.

„Modele avansate de risc de cancer de sân permit strategii de screening direcționate care permit detectarea mai timpurie și mai puține daune de screening decât liniile directoare existente”, a spus Adam Yala, doctorand CSAIL și autor principal al unui studiu Mirai publicat săptămâna trecută. Medicină de traducere științifică. Scopul nostru este de a face aceste progrese parte a standardului de ingrijire. Colaborăm cu medici din Novent Health din Carolina de Nord, Emery în Georgia, McBee în Israel, Texaloud în Mexic și Baretos în Brazilia pentru a valida în continuare modelul pentru diferite populații și pentru a studia modul în care acesta poate fi implementat clinic. ”

Cum functioneaza

În ciuda acceptării pe scară largă a screening-ului cancerului de sân, cercetătorii spun că practica evită controversele: strategiile de screening mai invazive urmăresc să maximizeze beneficiile depistării precoce, unde screening-ul mai puțin frecvent are ca scop reducerea falsului pozitiv, anxietății și chiar a costurilor. Cancerul nu se poate dezvolta.

Ghidurile clinice actuale utilizează modele de risc pentru a determina care pacienți ar trebui să fie informați cu privire la imagistica și RMN complementare. Unele linii directoare folosesc modele riscante pentru a determina exact la ce vârstă ar trebui să fie examinată o femeie pentru cât timp; Alții combină mai mulți factori legați de vârstă, hormoni, genetică și densitatea sânilor pentru a determina testele ulterioare. În ciuda deceniilor de încercări Precizie Modelele de risc utilizate în practica clinică sunt moderate.

Recent, modelele de risc de învățare profundă bazate pe mamografie au demonstrat performanțe promițătoare. Pentru a aduce această tehnologie în clinică, echipa a identificat trei inovații pe care le consideră importante pentru modelarea riscurilor: modelarea comună, utilizarea factorilor de risc non-imagine și metodele pentru a asigura performanțe coerente în mediile clinice.

1 timp

Implicația modelării riscurilor este că pacienții trebuie să învețe diferite tipuri de monitorizare și evaluare a riscurilor în diferite momente de timp: poate determina cât timp sunt examinați, dacă ar trebui să aibă reflexii complementare și chiar să ia în considerare tratamente preventive.

Deși este posibil să se antreneze modele individuale pentru a determina riscul pentru fiecare moment, evaluările riscurilor rezultate din această metodă nu sunt de înțeles – ca prezicere că pacientul are un risc mai mare de a dezvolta cancer în doi ani decât în ​​cinci ani. Pentru a soluționa acest lucru, echipa și-a creat modelul pentru a prezice simultan riscul simultan, folosind un instrument numit „stratul de pericol aditiv”.

Stratul de pericol aditiv funcționează după cum urmează: rețeaua lor prezice riscul pacientului la un moment dat de cinci ani, ca o extindere a riscului pe o perioadă anterioară de aproximativ patru ani. Procedând astfel, modelele lor pot învăța din date cu cantități variabile de urmărire și apoi pot crea evaluări de risc auto-consistente.

2. Factori de risc fără imagine

Deși metoda se concentrează în principal pe mamografii, echipa a dorit, de asemenea, să utilizeze factori de risc care nu sunt imagini, cum ar fi vârsta și factorii hormonali – aceștia nu sunt necesari în timpul testării. Acești factori vor fi adăugați la introducerea modelului cu imagini ale unei metode, dar în lipsa acestei infrastructuri, cum ar fi utilizarea modelelor Karolinska și CGMH), va preveni.

Myrai prezice acele informații în timpul antrenamentului în rețea pentru a beneficia de elemente riscante fără a fi nevoie de ele și, dacă nu, poate folosi propria versiune predictivă. Mamografiile sunt o sursă bogată de informații despre sănătate și mulți factori tradiționali de risc terapeutic, cum ar fi vârsta și starea menopauzei, pot fi deduși cu ușurință din imagistica lor. Ca urmare a acestui design, același model poate fi utilizat de orice clinică din întreaga lume și îl pot folosi dacă au informații suplimentare.

3. Performanță continuă în mediul clinic

Pentru a include modelele de risc în învățarea profundă în ghidurile clinice, modelele trebuie să funcționeze în mod constant într-o varietate de medii clinice, iar predicțiile sale nu pot fi afectate de variații minore, cum ar fi mașina pe care a fost efectuată mamografia. Chiar și într-un singur spital, oamenii de știință au descoperit că instruirea standard înainte și după schimbarea mașinilor de mamografie nu a produs predicții consistente, deoarece algoritmii ar putea învăța să se bazeze pe diferite semnale legate de mediu. Echipa a folosit una pentru a dezbina modelul Advers Schema în care modelul a învățat în mod specific prezentări mamografice care produc predicții neîntrerupte și continue în mediul clinic sursă.

Pentru a testa în continuare aceste actualizări pe diferite setări clinice, oamenii de știință au evaluat Myrai pe noi seturi de teste de la Karolinska din Suedia și Spitalul Memorial Chang Gung din Taiwan și au văzut că are performanțe consistente. Echipa a analizat, de asemenea, performanța modelului pe secțiuni de rasă, vârstă și densitate a sânilor în seturile de test MGH și subtipurile de cancer din setul de date Karolinska și a constatat că acesta a fost efectuat în mod similar în toate subgrupurile.

„Femeile afro-americane dezvoltă cancer de sân la o vârstă fragedă și adesea rămân într-un stadiu ulterior”, a spus Salvai Oseni, o soție chirurg la Spitalul General din Massachusetts, care nu a fost implicată. Acest lucru, combinat cu exemple mai mari de cancer de san triple-negativ in acest grup, a crescut mortalitatea prin cancer de san. Acest studiu arată dezvoltarea modelelor de risc ale căror predicții au o precizie semnificativă în întreaga națiune. Din punct de vedere clinic, există mai multe oportunități de a-l folosi ”

Iată cum funcționează Myra:

1. Imaginea mamografică este ținută cu ceva numit „codificator de imagine”.

2. Prezentarea fiecărei imagini, precum și scena care a apărut, este combinată cu alte imagini din alte filozofii pentru a obține o prezentare mamografică completă.

3. Factorii tradiționali de risc terapeutic ai unui pacient cu mamografie sunt preziți utilizând modelul Tier-Kuzic (vârstă, greutate, factori hormonali). Dacă nu sunt disponibile, se utilizează valori predictive.

4. Cu aceste informații, nivelul de pericol aditiv prezice riscul pacientului în fiecare an în următorii cinci ani.

Myrai se îmbunătățește

Deși modelul actual nu privește niciuna dintre imaginile anterioare ale pacientului, imaginea se schimbă în timp, cu o mulțime de informații. Scopul echipei în viitor este de a crea o metodă care să poată utiliza în mod eficient istoricul complet al imaginii pacientului

În mod similar, echipa constată că modelul ar putea fi îmbunătățit în continuare folosind „tomosinteza”, o tehnică cu raze X pentru screeningul pacienților cu cancer asimptomatic. Dincolo de îmbunătățirea preciziei, sunt necesare cercetări suplimentare pentru a determina modul în care modelele de risc bazate pe imagini pot fi adaptate diferitelor dispozitive de mamografie cu date limitate.

„Știm că RMN poate detecta cancerul mai devreme decât mamografia, iar detectarea precoce îmbunătățește rezultatele pacienților”, spune Yale. „Dar la pacienții cu risc de cancer, riscurile fals-pozitive pot depăși beneficiile.” Cu modelele avansate de risc, putem proiecta ghiduri de sensibilizare mai sensibile care pot obține rezultate mai bune, reducând în același timp screening-ul inutil pentru pacienții cu cancer mai sensibili, cum ar fi RMN și minimizarea unui tratament mai bun. ”

„Am fost amândoi încântați și umiliți să vedem dacă sistemul AI ar funcționa pentru populația afro-americană”, a spus Judy Jichoa, profesor asistent de radiologie interdisciplinară și informatică la Emory, MS și Universitatea Emory, care nu a fost implicat în Departamentul. Muncă. „Studiem această întrebare pe larg și cum să identificăm eșecurile”.

Referințe: „Modele puternice bazate pe mamografie pentru riscul de cancer mamar” Adam Yale, Peter G. Mickel, Frederick Strand, Gigin Lynn, Kevin Smith, Young-Liang Wan, Leslie Lamb, Kevin Hughes, Constance Janman, 27, Regina Barley, 27 Medicină de traducere științifică.
DOI: 10.1126 / skitterslam.abau 4373

Expertul în cercetare al MIT Peter G. Mickel, radiologul Frederick Strand de la Universitatea Karolinska, Kevin Smith, profesor asociat la Institutul Regal de Tehnologie KTH și profesor Younger-yang din Chang Gung. Universitatea, Leslie Lamb din MGH, Kevin Hughes din MGH, autor veteran și profesorul Constance Lehmann de la MGH Harvard Medical School și Regina Barzilla, autor principal și profesor la MIT.

Lucrarea a fost susținută de subvenții de la Susan G. Komen, Fundația de cercetare a cancerului de sân, Quanta Computing și Clinica MIT Jamil. De asemenea, a fost sprijinit de Grantul Fundației Medicale Chang Gung și Grantul Stockholm Lance Landing Landing HMT.

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Mișcări ale electronilor de ceas în interiorul unui atom: viteza obturatorului de o milionime dintr-o miliardime de secundă

Reprezentarea artistică a experimentului. Întârzierea inerentă între emisia celor două tipuri de electroni duce la o elipsă caracteristică în datele analizate. În...

Materialul nou poate proteja mai bine soldații, sportivii și șoferii de șoc, impact și explozii

Soldații, sportivii și șoferii pot face viața mai sigură datorită unui nou proces care ar putea duce la o protecție mai eficientă și reutilizabilă...

A fost găsit cel mai vechi loc de înmormântare uman din Africa – un copil a fost îngropat în urmă cu 78.000 de ani

Vedere generală a zonei peșterii Panga ya Saidi. Observați săparea șanțului unde a fost deschisă înmormântarea. Credit: Muhammad Javad Shoaee Descoperirea celui mai...

Se preconizează că speciile non-native vor crește cu 36% în întreaga lume până în 2050

Gâscă egipteană (Alopochen aegyptiaca) originară din Africa și stabilită acum în Europa Centrală și de Vest. Credit: profesorul Tim Blackburn, UCL Se preconizează că...

Visele noastre pot fi ciudate

Această ilustrație reflectă supra-ipoteza creierului, care susține că calitatea redusă și halucinantă a viselor nu este o greșeală, ci o trăsătură particulară, deoarece ajută...

Newsletter

Subscribe to stay updated.