Harvard boffins bygger multimodalt AI-system til at forudsige 14 typer kræft

Multimodale AI-modeller, trænet på adskillige typer data, kan hjælpe læger med at screene patienter med risiko for at udvikle flere forskellige kræftformer mere præcist.

Forskere fra Brigham and Women's Hospital-delen af ​​Harvard Universitys medicinske skole udviklede en dyb læringsmodel, der er i stand til at identificere 14 typer kræft. De fleste AI-algoritmer er trænet til at spotte tegn på sygdom fra en enkelt datakilde, såsom medicinske scanninger, men denne kan tage input fra flere kilder. 

At forudsige, om nogen er i risiko for at udvikle kræft, er ikke altid ligetil, læger er ofte nødt til at konsultere forskellige typer information som en patients sundhedshistorie eller udføre andre tests for at opdage genetiske biomarkører.

Disse resultater kan hjælpe læger med at finde ud af den bedste behandling for en patient, da de overvåger sygdommens progression, men deres fortolkning af dataene kan være subjektiv, Faisal Mahmood, en assisterende professor, der arbejder ved Division of Computational Pathology ved Brigham and Women's Hospital, forklaret. 

"Eksperter analyserer mange beviser for at forudsige, hvor godt en patient kan klare sig. Disse tidlige undersøgelser bliver grundlaget for at træffe beslutninger om tilmelding til et klinisk forsøg eller specifikke behandlingsregimer. Men det betyder, at denne multimodale forudsigelse sker på ekspertniveau. Vi forsøger at løse problemet beregningsmæssigt,” sagde han i en erklæring.

Mahmood og hans kolleger beskrev, hvordan et enkelt overordnet system, der består af adskillige dyb-læringsbaserede algoritmer og trænet på flere former for data, kunne diagnosticere op til 14 forskellige kræftformer. Forskerne brugte træningsdata fra The Cancer Genome Atlas (TCGA), en offentlig ressource, der indeholder data om forskellige kræfttyper opnået fra over 5,000 rigtige patienter, såvel som andre datakilder.

Først blev mikroskopiske visninger af cellevæv fra hele-slide-billeder (WSI'er) og tekstbaserede genomiske data brugt til at træne to separate modeller. Disse blev derefter integreret i et enkelt system for at forudsige, om patienter har høj eller lav risiko for at udvikle de forskellige kræfttyper. Modellen kan endda hjælpe videnskabsmænd med at finde eller bekræfte genetiske markører forbundet med visse sygdomme, hævdede forskerne. 

"Brug af deep learning, multimodal fusion af molekylære biomarkører og ekstraherede morfologiske træk fra WSI'er har potentiel klinisk anvendelse til ikke kun at forbedre præcisionen i patientrisikostratificering, men kan også hjælpe med opdagelsen og valideringen af ​​multimodale biomarkører, hvor kombinationseffekter af histologi og genomiske biomarkører er ikke kendt," skrev holdet i en avis offentliggjort i Cancer Cell på mandag.

Mahmood fortalte Registret den nuværende undersøgelse var et bevis på konceptet i anvendelse af multimodale modeller til at forudsige kræftrisiko. "Vi er nødt til at træne disse modeller med meget mere data, teste disse modeller på store uafhængige testkohorter og køre prospektive undersøgelser og kliniske forsøg for at fastslå effektiviteten af ​​disse modeller i et klinisk miljø," konkluderede han. ®