Хотя уже давно известно, что прогнозирование исходов у пациентов с раком требует учета многих факторов, таких как история болезни, гены и патология заболевания, клиницисты изо всех сил пытаются интегрировать эту информацию для принятия решений о лечении пациентов. Новое исследование, проведенное исследователями из лаборатории Махмуда в Brigham and Women's Hospital, раскрывает экспериментальную модель, которая использует искусственный интеллект (ИИ) для объединения нескольких типов данных из разных источников для прогнозирования результатов лечения пациентов с 14 различными типами рака. Результаты опубликованы в Cancer Cell .
Эксперты полагаются на несколько источников данных, таких как секвенирование генома, патология и история болезни, для диагностики и прогнозирования различных типов рака . Хотя существующие технологии позволяют им использовать эту информацию для прогнозирования результатов, ручная интеграция данных из разных источников является сложной задачей, и эксперты часто делают субъективные оценки.
«Эксперты анализируют множество фактов, чтобы предсказать, насколько хорошо пациент может себя чувствовать», — сказал Фейсал Махмуд, доктор философии, доцент кафедры компьютерной патологии в Бригаме и ассоциированный член онкологической программы в Институте Броуда. Гарвард и Массачусетский технологический институт. «Эти ранние обследования становятся основой для принятия решений о включении в клиническое исследование или конкретных схемах лечения. Но это означает, что этот мультимодальный прогноз происходит на уровне эксперта. Мы пытаемся решить проблему вычислительным путем».
С помощью этих новых моделей ИИ Махмуд и его коллеги открыли способ вычислительной интеграции нескольких форм диагностической информации для получения более точных прогнозов результатов. Модели ИИ демонстрируют способность делать прогностические определения, а также раскрывать прогностические основы функций, используемых для прогнозирования риска для пациента, — свойство, которое можно использовать для обнаружения новых биомаркеров.
Исследователи построили модели, используя Атлас генома рака (TCGA), общедоступный ресурс, содержащий данные о многих различных типах рака. Затем они разработали мультимодальный алгоритм, основанный на глубоком обучении, который способен извлекать прогностическую информацию из нескольких источников данных . Сначала создав отдельные модели для гистологических и геномных данных, они смогли объединить технологию в один интегрированный объект, который предоставляет ключевую прогностическую информацию. Наконец, они оценили эффективность модели , предоставив ей наборы данных по 14 типам рака, а также гистологические и геномные данные пациентов. Результаты показали, что модели давали более точные прогнозы результатов лечения пациентов, чем модели, включающие только отдельные источники информации.
Это исследование подчеркивает, что использование ИИ для интеграции различных типов клинически обоснованных данных для прогнозирования исходов заболевания возможно. Махмуд объяснил, что эти модели могут позволить исследователям обнаружить биомаркеры, которые включают различные клинические факторы, и лучше понять, какой тип информации им необходим для диагностики различных типов рака. Исследователи также количественно изучили важность каждого диагностического метода для отдельных типов рака и преимущества интеграции нескольких методов.
Модели ИИ также способны выявлять патологические и геномные особенности, которые определяют прогностические прогнозы. Команда обнаружила, что модели использовали иммунные реакции пациентов в качестве прогностического маркера, не будучи обученными для этого, что является примечательным открытием, учитывая, что предыдущие исследования показывают, что пациенты , опухоли которых вызывают более сильные иммунные реакции, как правило, имеют лучшие результаты.
Хотя эта экспериментальная модель раскрывает новую роль технологии ИИ в лечении рака, это исследование является лишь первым шагом в клинической реализации этих моделей. Применение этих моделей в клинике требует включения больших наборов данных и проверки на больших независимых тестовых когортах. В дальнейшем Махмуд намерен интегрировать еще больше типов информации о пациентах, таких как рентгеновские снимки, семейные истории и электронные медицинские карты , и в конечном итоге довести модель до клинических испытаний.
«Эта работа закладывает основу для более масштабных исследований искусственного интеллекта в здравоохранении, которые объединяют данные из нескольких источников», — сказал Махмуд. «В более широком смысле наши результаты подчеркивают необходимость создания прогностических моделей вычислительной патологии с гораздо большими наборами данных и последующими клиническими испытаниями для установления полезности».
