Harvardo medicinos mokyklos mokslininkai sukūrė universalų, į ChatGPT panašų AI modelį, galintį atlikti daugybę diagnostinių užduočių, susijusių su įvairiomis vėžio formomis.
Naujoji AI sistema, aprašyta rugsėjo 4 d Gamta, Pasak mokslininkų, jis yra didesnis nei daugelis dabartinių AI metodų vėžio diagnozavimui.
Dabartinės AI sistemos paprastai yra apmokytos atlikti konkrečias užduotis, pvz., nustatyti vėžio buvimą arba numatyti naviko genetinį profilį, ir jos paprastai veikia tik kai kurių vėžio tipų atveju. Priešingai, naujasis modelis gali atlikti daugybę užduočių ir buvo išbandytas su 19 vėžio tipų, suteikiant jam lankstumo, kaip ir didelių kalbų modeliams, pvz., ChatGPT.
Nors neseniai atsirado kiti medicininės diagnostikos AI modeliai, pagrįsti patologijos vaizdais, manoma, kad tai pirmasis, numatantis paciento rezultatus ir patvirtinantis juos keliose tarptautinėse pacientų grupėse.
„Mūsų tikslas buvo sukurti judrią, universalią ChatGPT panašią AI platformą, kuri galėtų atlikti įvairias vėžio vertinimo užduotis“, – sakė tyrimo vyresnysis autorius Kun-Hsing Yu, Harvardo medicinos mokyklos Blavatnik instituto biomedicininės informatikos docentas.
„Mūsų modelis pasirodė esąs labai naudingas atliekant daugybę užduočių, susijusių su vėžio aptikimu, prognozėmis ir gydymo atsaku daugeliu vėžio atvejų.”
AI modelis, veikiantis skaitant skaitmenines naviko audinių skaidres, aptinka vėžines ląsteles ir prognozuoja naviko molekulinį profilį, pagrįstą vaizde matomomis ląstelių ypatybėmis, itin tiksliai nei dauguma dabartinių AI sistemų.
Jis gali numatyti paciento išgyvenamumą įvairiuose vėžio tipuose ir tiksliai nustatyti naviką supančio audinio (dar vadinamo naviko mikroaplinka) ypatybes, kurios yra susijusios su paciento atsaku į standartinį gydymą, įskaitant chirurgiją, chemoterapiją, spinduliuotę ir imunoterapiją.
Galiausiai, komanda teigė, kad įrankis gali sukurti naujų įžvalgų – jis nustatė specifines naviko savybes, kurios anksčiau nebuvo susijusios su paciento išgyvenimu.
Pasak tyrimo grupės, išvados papildo vis daugiau įrodymų, kad dirbtinio intelekto metodai gali pagerinti gydytojų gebėjimą veiksmingai ir tiksliai įvertinti vėžį, įskaitant pacientų, kurie gali blogai reaguoti į standartinius vėžio gydymo būdus, nustatymą.
„Jei būtų toliau patvirtintas ir plačiai taikomas, mūsų požiūris ir metodai, panašūs į mūsų, galėtų anksti nustatyti vėžiu sergančius pacientus, kuriems gali būti naudingas eksperimentinis gydymas, nukreiptas į tam tikrus molekulinius pokyčius, o tai nėra vienodai prieinama visame pasaulyje“, – sakė Yu.
Treniruotės ir pasirodymas
Naujausias komandos darbas grindžiamas ankstesniais Yu tyrimais AI sistemose, skirtais gaubtinės žarnos vėžiui ir smegenų augliams įvertinti. Šie ankstesni tyrimai parodė metodo pagrįstumą tam tikroms vėžio rūšims ir konkrečioms užduotims.
Naujasis modelis, vadinamas CHIEF (Clinical Histopatology Imaging Evaluation Foundation), buvo apmokytas 15 milijonų nepažymėtų vaizdų, suskirstytų į dominančias dalis. Tada įrankis buvo apmokytas darant 60 000 audinių, įskaitant plaučių, krūties, prostatos, gaubtinės ir tiesiosios žarnos, skrandžio, stemplės, inkstų, smegenų, kepenų, skydliaukės, kasos, gimdos kaklelio, gimdos, kiaušidžių, sėklidžių, odos, minkštųjų audinių, vaizdų. antinksčių, šlapimo pūslės.
Modelio mokymas žiūrėti tiek į konkrečias vaizdo dalis, tiek į visą vaizdą leido susieti konkrečius vieno regiono pokyčius su bendru kontekstu. Šis metodas, pasak mokslininkų, leido CHIEF visapusiškiau interpretuoti vaizdą, atsižvelgiant į platesnį kontekstą, o ne tik sutelkiant dėmesį į konkretų regioną.
Po mokymų komanda išbandė CHIEF našumą su daugiau nei 19 400 pilnų skaidrių vaizdų iš 32 nepriklausomų duomenų rinkinių, surinktų iš 24 ligoninių ir pacientų grupių visame pasaulyje.
Apskritai CHIEF iki 36% viršijo kitus moderniausius AI metodus atlikdama šias užduotis: vėžio ląstelių aptikimą, naviko kilmės nustatymą, pacientų baigčių prognozavimą ir genų bei DNR modelių, susijusių su gydymo atsaku, nustatymą.
Dėl savo universalaus mokymo CHIEF dirbo vienodai gerai, nesvarbu, kaip buvo gautos naviko ląstelės – per biopsiją ar chirurginiu būdu. Ir jis buvo toks pat tikslus, nepaisant vėžio ląstelių mėginių skaitmeninimo technikos. Pasak mokslininkų, šis pritaikomumas leidžia CHIEF naudoti įvairiose klinikinėse situacijose ir yra svarbus žingsnis už dabartinių modelių, kurie paprastai gerai veikia tik nuskaitant audinius, gautus naudojant tam tikrus metodus.
Vėžio aptikimas
CHIEF pasiekė beveik 94% vėžio aptikimo tikslumą ir gerokai viršijo dabartinius AI metodus 15 duomenų rinkinių, kuriuose yra 11 vėžio tipų. Penkiuose biopsijos duomenų rinkiniuose, surinktuose iš nepriklausomų kohortų, CHIEF pasiekė 96% tikslumą įvairiuose vėžio tipuose, įskaitant stemplę, skrandį, gaubtinę žarną ir prostatą.
Kai mokslininkai išbandė CHIEF anksčiau nematytose skaidres iš chirurginiu būdu pašalintų gaubtinės žarnos, plaučių, krūties, endometriumo ir gimdos kaklelio navikų, modelis buvo atliktas daugiau nei 90 % tikslumu.
Numatyti navikų molekulinius profilius
Auglio genetinė struktūra turi svarbių užuominų, leidžiančių nustatyti jo būsimą elgesį ir optimalų gydymą. Norėdami gauti šią informaciją, onkologai užsako nustatyti naviko mėginių DNR seką, tačiau toks išsamus vėžio audinių genominis profiliavimas nėra atliekamas įprastai ir nevienodai visame pasaulyje dėl mėginių siuntimo į specializuotas DNR sekos nustatymo laboratorijas išlaidų ir laiko. Net ir gerai išteklius turinčiuose regionuose procesas gali užtrukti kelias savaites. Tai spragą, kurią AI galėtų užpildyti, sakė Yu.
Pasak mokslininkų, greitas ląstelių modelių nustatymas vaizde, rodančiame konkrečias genomo aberacijas, gali būti greita ir ekonomiška alternatyva genomo sekos nustatymui.
CHIEF pranoko dabartinius AI metodus, skirtus prognozuoti naviko genominius pokyčius, žiūrėdamas į mikroskopines skaidres. Šis naujas AI metodas sėkmingai nustatė ypatybes, susijusias su keliais svarbiais genais, susijusiais su vėžio augimu ir slopinimu, ir numatė pagrindines genetines mutacijas, susijusias su tuo, kaip gerai navikas gali reaguoti į įvairius standartinius gydymo būdus.
CHIEF taip pat aptiko specifinius DNR modelius, susijusius su tuo, kaip storosios žarnos navikas gali reaguoti į imunoterapijos formą, vadinamą imuninės kontrolės taško blokada.
Žvelgdamas į viso audinio vaizdus, CHIEF nustatė 54 dažniausiai mutuojančių vėžio genų mutacijas, kurių bendras tikslumas yra didesnis nei 70%, o tai viršija dabartinį moderniausią AI metodą genominio vėžio prognozavimui. Jo tikslumas buvo didesnis specifiniams specifinių vėžio tipų genams.
Komanda taip pat išbandė CHIEF gebėjimą numatyti mutacijas, susijusias su atsaku į FDA patvirtintą tikslinę terapiją 18 genų, apimančių 15 anatominių vietų. CHIEF pasiekė didelį tikslumą sergant įvairiais vėžio tipais, įskaitant 96 % nustatant geno, vadinamo EZH2, mutaciją, būdingą kraujo vėžiui, vadinamam difuzine didelių B ląstelių limfoma. Jis pasiekė 89% BRAF geno mutaciją sergant skydliaukės vėžiu ir 91% NTRK1 geno mutaciją sergant galvos ir kaklo vėžiu.
Paciento išgyvenimo prognozavimas
CHIEF sėkmingai numatė paciento išgyvenimą, remdamasis naviko histopatologiniais vaizdais, gautais pradinės diagnozės metu. Visų tipų vėžio ir visų tiriamų pacientų grupėse CHIEF išskyrė pacientus, kurių išgyvenamumas ilgesnis, nuo tų, kurių išgyvenamumas buvo trumpesnis.
CHIEF kitus modelius aplenkė 8 proc. O pacientams, sergantiems labiau pažengusiu vėžiu, CHIEF 10% pralenkė kitus AI modelius. Apskritai, CHIEF gebėjimas numatyti didelę ir mažą mirties riziką buvo išbandytas ir patvirtintas pacientų mėginiuose iš 17 skirtingų institucijų.
Naujų įžvalgų apie naviko elgesį gavimas
Modelis nustatė vaizdų signalinius modelius, susijusius su naviko agresyvumu ir paciento išgyvenimu. Norėdami vizualizuoti šias dominančias sritis, CHIEF sukūrė vaizdo šilumos žemėlapius. Kai žmogaus patologai išanalizavo šias AI išvestas karštąsias vietas, jie pamatė intriguojančius signalus, atspindinčius vėžio ląstelių ir aplinkinių audinių sąveiką.
Vienas iš tokių bruožų buvo didesnis imuninių ląstelių skaičius auglio srityse, turinčiose ilgalaikius išgyvenimus, palyginti su trumpiau išgyvenusiais. Yu pažymėjo, kad ši išvada yra prasminga, nes didesnis imuninių ląstelių buvimas gali reikšti, kad imuninė sistema buvo suaktyvinta atakuoti naviką.
Žvelgiant į trumpesnį laiką išgyvenusių asmenų navikus, CHIEF nustatė dominančius regionus, kuriems būdingi nenormalūs įvairių ląstelių komponentų dydžio santykiai, netipiškesnės ląstelių branduolių savybės, silpni ryšiai tarp ląstelių ir mažesnis jungiamojo audinio buvimas šioje srityje. aplink naviką.
Šie navikai taip pat turėjo daugiau mirštančių ląstelių aplink juos. Pavyzdžiui, krūties navikų atveju CHIEF kaip svarbią sritį nurodė nekrozės arba ląstelių mirties buvimą audiniuose.
Kita vertus, krūties vėžys, kurio išgyvenamumas didesnis, buvo labiau linkę išsaugoti ląstelių struktūrą, panašią į sveikus audinius. Komanda pažymėjo, kad vizualinės savybės ir dominančios zonos, susijusios su išgyvenimu, skiriasi priklausomai nuo vėžio tipo.
Kiti žingsniai
Tyrėjai teigė, kad planuoja patobulinti CHIEF našumą ir padidinti jo galimybes:
- Papildomų mokymų apie retų ligų ir ne vėžinių būklių audinių vaizdus
- Įskaitant mėginius iš iki piktybinių audinių, kol ląstelės tampa visiškai vėžinėmis
- Modelio eksponavimas daugiau molekulinių duomenų, siekiant pagerinti jo gebėjimą identifikuoti įvairaus agresyvumo vėžius
- Modelio mokymas taip pat numatyti naujų vėžio gydymo būdų naudą ir neigiamą poveikį, be standartinio gydymo