Лікарі створили ШІ, який може діагностувати рак

Дослідники з Гарвардської медичної школи розробили багатофункціональну модель штучного інтелекту, схожу на ChatGPT, яка може виконувати різні діагностичні процедури для різних типів раку. За словами дослідників, нова система штучного інтелекту, описана в журналі Nature, виходить за межі багатьох сучасних підходів до діагностики раку.

Сучасні системи штучного інтелекту, як правило, навчені виконувати певні завдання, такі як виявлення наявності раку або прогнозування генетичного профілю пухлини, і вони, як правило, працюють лише з невеликою кількістю типів раку. Навпаки, нова модель може виконувати широкий спектр завдань і була перевірена на 19 типах раку, що надає їй гнучкості, як у великих мовних моделей, таких як ChatGPT.

Незважаючи на те, що нещодавно з’явилися інші базові моделі штучного інтелекту для медичної діагностики на основі зображень патології, вважається, що це перша модель, яка передбачає прогнозування результатів пацієнтів і перевіряє їх у кількох міжнародних групах пацієнтів.

«Нашою метою було створити гнучку, універсальну платформу штучного інтелекту, схожу на ChatGPT, яка може виконувати широкий спектр завдань з оцінки раку», — сказав старший автор дослідження Кун-Сінг Ю, доцент кафедри біомедичної інформатики в Інституті Блаватника Гарвардської медичної школи. «Наша модель виявилася дуже корисною для багатьох завдань, пов’язаних із виявленням раку, прогнозом і відповіддю на лікування багатьох видів раку».

Модель штучного інтелекту, яка працює шляхом зчитування цифрових слайдів пухлинних тканин, виявляє ракові клітини та прогнозує молекулярний профіль пухлини на основі клітинних особливостей, які видно на зображенні, з точністю , що перевищує більшість сучасних систем штучного інтелекту. Він може спрогнозувати виживаність пацієнтів при різних типах раку та точно визначити особливості тканини, яка оточує пухлину — також відомі як пухлинне мікрооточення — які пов’язані з відповіддю пацієнта на стандартне лікування, включаючи хірургічне втручання, хіміотерапію, променеву та імунотерапію. Нарешті, за словами вчених, інструмент, здається, здатний генерувати нові ідеї — він ідентифікував конкретні характеристики пухлини, про які раніше не було відомо, що вони пов’язані з виживанням пацієнтів.

Дослідницька група заявила, що отримані результати додають доказів того, що підходи на основі штучного інтелекту можуть покращити здатність клініцистів ефективно й точно оцінювати рак, включаючи ідентифікацію пацієнтів, які можуть погано реагувати на стандартну терапію раку.

«У разі подальшої перевірки та широкого застосування наш підхід і підходи, подібні до нашого, могли б на ранній стадії виявити онкологічних пацієнтів, які можуть отримати користь від експериментального лікування, націленого на певні молекулярні варіації, здатність, яка не є однаково доступною в усьому світі», — сказав Ю.

Навчання та продуктивність

Остання робота команди базується на попередніх дослідженнях Ю в системах ШІ для оцінки раку товстої кишки та пухлин головного мозку. Ці попередні дослідження продемонстрували здійсненність підходу в межах конкретних типів раку та конкретних завдань.

Нова модель під назвою CHIEF (Clinical Gistopathology Imaging Evaluation Foundation) була навчена на 15 мільйонах немаркованих зображень, розділених на цікаві розділи. Потім інструмент було навчено на 60 000 повних зображень тканин, включаючи легені, молочну залозу, простату, колоректальну кишку, шлунок, стравохід, нирки, мозок, печінку, щитовидну залозу, підшлункову залозу, шийку матки, яєчників, яєчка, шкіру, м’які тканини, надниркових залоз і сечового міхура. Навчання моделі дивитися як на конкретні частини зображення, так і на зображення в цілому дозволило їй пов’язати конкретні зміни в одній області із загальним контекстом. За словами дослідників, такий підхід дозволив CHIEF інтерпретувати зображення більш цілісно, ​​враховуючи ширший контекст, а не просто зосереджуватися на певному регіоні.

Після навчання команда перевірила продуктивність CHIEF на більш ніж 19 400 зображеннях цілих слайдів із 32 незалежних наборів даних, зібраних із 24 лікарень і когорт пацієнтів по всьому світу.

Загалом CHIEF перевершив інші найсучасніші методи штучного інтелекту на 36 відсотків у таких завданнях: виявлення ракових клітин, ідентифікація походження пухлини, прогнозування результатів лікування пацієнтів та визначення наявності генів і шаблонів ДНК , пов’язаних з відповіддю на лікування. Завдяки різнобічній підготовці, CHIEF працював однаково добре незалежно від того, як були отримані пухлинні клітини — шляхом біопсії чи хірургічного видалення. І це було так само точно, незалежно від техніки, використаної для оцифровки зразків ракових клітин. За словами дослідників, така адаптивність робить CHIEF придатним для використання в різних клінічних умовах і є важливим кроком у порівнянні з поточними моделями, які, як правило, добре працюють лише при зчитуванні тканин, отриманих за допомогою спеціальних методів.

Виявлення раку

CHIEF досяг майже 94-відсоткової точності виявлення раку та значно перевершив поточні підходи штучного інтелекту в 15 наборах даних, що містять 11 типів раку. У п’яти наборах даних біопсії, зібраних у незалежних когортах, CHIEF досяг 96-відсоткової точності для кількох типів раку, включаючи стравохід, шлунок, товсту кишку та простату. Коли дослідники протестували CHIEF на раніше невидимих ​​слайдах із видалених хірургічним шляхом пухлин товстої кишки, легенів, молочної залози, ендометрію та шийки матки, модель показала більш ніж 90-відсоткову точність.

Прогнозування молекулярних профілів пухлин

Генетичний склад пухлини містить ключові підказки для визначення її майбутньої поведінки та оптимального лікування. Щоб отримати цю інформацію, онкологи замовляють секвенування ДНК зразків пухлин, але таке детальне геномне профілювання ракових тканин не виконується регулярно й не однаково в усьому світі через вартість і час, пов’язані з відправкою зразків до спеціалізованих лабораторій секвенування ДНК. Навіть у добре забезпечених регіонах процес може тривати кілька тижнів. Цю прогалину може заповнити штучний інтелект, сказав Ю.

Швидке визначення клітинних структур на зображенні, що вказує на конкретні геномні аберації, може запропонувати швидку та економічно ефективну альтернативу геномному секвенуванню, кажуть дослідники.

CHIEF перевершив сучасні методи штучного інтелекту для прогнозування геномних змін у пухлині, дивлячись на мікроскопічні препарати. Цей новий підхід штучного інтелекту успішно ідентифікував особливості, пов’язані з кількома важливими генами, пов’язаними з ростом і придушенням раку, і передбачив ключові генетичні мутації, пов’язані з тим, наскільки добре пухлина може реагувати на різні стандартні терапії.

CHIEF також виявив специфічні шаблони ДНК, пов’язані з тим, наскільки добре пухлина товстої кишки може реагувати на форму імунотерапії, яка називається блокадою імунної контрольної точки. Переглядаючи зображення цілої тканини, CHIEF виявив мутації в 54 часто мутованих генах раку із загальною точністю понад 70 відсотків, перевершуючи поточний найсучасніший метод ШІ для геномного прогнозування раку. Його точність була більшою для конкретних генів у конкретних типах раку.

Команда також перевірила CHIEF на його здатність передбачати мутації, пов’язані з відповіддю на цільову терапію, схвалену FDA, у 18 генах, що охоплюють 15 анатомічних ділянок. CHIEF досяг високої точності у багатьох типах раку, включаючи 96 відсотків у виявленні мутації в гені під назвою EZH2, який є поширеним у раку крові, який називається дифузною великоклітинною В-клітинною лімфомою. Він досяг 89 відсотків для мутації гена BRAF при раку щитовидної залози та 91 відсотка для мутації гена NTRK1 при раку голови та шиї.

Прогнозування виживання пацієнтів

CHIEF успішно спрогнозував виживання пацієнтів на основі гістопатологічних зображень пухлини, отриманих під час первинної діагностики. У всіх типах раку та всіх досліджуваних групах пацієнтів CHIEF відрізнив пацієнтів із більш довгостроковою виживаністю від пацієнтів із короткостроковою виживаністю.

CHIEF перевершив інші моделі на 8 відсотків. А у пацієнтів із більш пізніми формами раку CHIEF перевершував інші моделі ШІ на 10 відсотків. Загалом здатність CHIEF передбачати високий ризик смерті проти низького була перевірена та підтверджена на зразках пацієнтів із 17 різних установ.

Отримання нових ідей про поведінку пухлини

Модель виявила на зображеннях ознаки агресивності пухлини та виживання пацієнтів. Щоб візуалізувати ці цікаві області, CHIEF створив теплові карти на зображенні. Коли люди-патологи проаналізували ці гарячі точки, отримані ШІ, вони побачили інтригуючі сигнали, що відображають взаємодію між раковими клітинами та навколишніми тканинами. Однією з таких ознак була наявність більшої кількості імунних клітин у ділянках пухлини у тих, хто вижив протягом тривалого періоду, порівняно з тими, хто вижив коротко. Цей висновок, зазначив Ю, має сенс, оскільки більша присутність імунних клітин може вказувати на те, що імунна система була активована для атаки на пухлину.

Дивлячись на пухлини тих, хто вижив на короткий термін, CHIEF визначив цікаві області, що відзначаються ненормальним співвідношенням розмірів між різними клітинними компонентами, більш атиповими особливостями в ядрах клітин, слабкими зв’язками між клітинами та меншою присутністю сполучної тканини в цій області. навколо пухлини. Ці пухлини також мали більшу присутність гинуть клітин навколо них. Наприклад, у пухлинах молочної залози CHIEF вказав як область інтересу наявність некрозу — або загибелі клітин — усередині тканин. З іншого боку, рак молочної залози з вищим рівнем виживання, швидше за все, мав збережену клітинну архітектуру, схожу на здорові тканини. Команда зазначила, що візуальні особливості та зони інтересу, пов’язані з виживанням, відрізнялися залежно від типу раку.

Наступні кроки

Дослідники заявили, що планують вдосконалити продуктивність CHIEF і розширити його можливості за допомогою:

• Проведення додаткового навчання на зображеннях тканин із рідкісних захворювань та неракових станів
• Включно зі зразками передзлоякісних тканин до того, як клітини стануть повністю раковими
• Надання моделі більшій кількості молекулярних даних для підвищення її здатності ідентифікувати ракові захворювання з різними рівнями агресивності
• Навчання моделі також прогнозувати переваги та побічні ефекти нових методів лікування раку на додаток до стандартних методів лікування