A Harvard boffinjai multimodális mesterséges intelligencia rendszert építenek 14 ráktípus előrejelzésére

A sokféle adatra kiképzett multimodális mesterséges intelligencia modellek segíthetnek az orvosoknak abban, hogy pontosabban kiszűrjék azokat a betegeket, akiknél több különböző rák kialakulásának kockázata áll fenn.

A Harvard Egyetem orvosi karának Brigham and Women's Hospital részlegének kutatói mély tanulási modellt fejlesztettek ki, amely 14 ráktípus azonosítására képes. A legtöbb mesterségesintelligencia-algoritmus arra van kiképezve, hogy egyetlen adatforrásból, például orvosi szkennelésből észlelje a betegség jeleit, ez azonban több forrásból is fogadhat bemeneteket. 

Annak előrejelzése, hogy valakinél fennáll-e a rák kialakulásának kockázata, nem mindig olyan egyszerű, az orvosoknak gyakran különböző típusú információkat kell megvizsgálniuk, például a páciens egészségügyi történetét, vagy más vizsgálatokat kell végezniük a genetikai biomarkerek kimutatására.

Ezek az eredmények segíthetnek az orvosoknak megtalálni a legjobb kezelést a beteg számára, miközben figyelemmel kísérik a betegség progresszióját, de az adatok értelmezése szubjektív is lehet, mondta Faisal Mahmood, a Brigham and Women's Számítógépes Patológiai Osztályán dolgozó adjunktus. Kórház, magyarázta. 

„A szakértők számos bizonyítékot elemeznek, hogy megjósolják, milyen jól teljesít a beteg. Ezek a korai vizsgálatok képezik a klinikai vizsgálatba való beiratkozással vagy a speciális kezelési rendekkel kapcsolatos döntések alapját. De ez azt jelenti, hogy ez a multimodális előrejelzés a szakértő szintjén történik. Igyekszünk számítástechnikailag megoldani a problémát” – mondta a nyilatkozat.

Mahmood és munkatársai leírták, hogy egyetlen átfogó rendszer, amely számos mély-tanuláson alapuló algoritmusból áll, és többféle adatformán alapul, akár 14 különböző rákot is diagnosztizálhat. A kutatók a The Cancer Genome Atlas (TCGA) képzési adatait használták fel, amely egy nyilvános forrás, amely több mint 5,000 valódi betegtől származó, különböző típusú rákfajtákra vonatkozó adatokat, valamint más adatforrásokat tartalmaz.

Először is, a sejtszövetek mikroszkopikus nézeteit teljes diaképekből (WSI-k) és szöveges genomikai adatokból használták két külön modell képzéséhez. Ezeket aztán egyetlen rendszerbe integrálták annak előrejelzésére, hogy a betegeknél magas vagy alacsony a kockázata a különböző ráktípusok kialakulásának. A modell segíthet a tudósoknak bizonyos betegségekhez kapcsolódó genetikai markerek megtalálásában vagy megerősítésében – állították a kutatók. 

„A mély tanulás, a molekuláris biomarkerek multimodális fúziója és a WSI-kből kinyert morfológiai jellemzők potenciális klinikai alkalmazása nemcsak a betegek kockázati rétegződésének pontosabbá tételében, hanem segíthet a multimodális biomarkerek felfedezésében és validálásában is, ahol a szövettani és genomiális biomarkerek kombinált hatásai vannak. nem ismert” – írta a csapat egy lapjában közzétett a Ráksejtben hétfőn.

– mondta Mahmood A regisztráció A jelenlegi tanulmány a rákkockázat előrejelzésére szolgáló multimodális modellek alkalmazásának koncepciójának bizonyítéka volt. "Sokkal több adattal kell képeznünk ezeket a modelleket, tesztelnünk kell ezeket a modelleket nagy független tesztcsoportokon, és prospektív tanulmányokat és klinikai vizsgálatokat kell végeznünk, hogy megállapítsuk ezeknek a modelleknek a klinikai környezetben való hatékonyságát" - összegezte. ®