Новая модель искусственного интеллекта, разработанная исследователями из Гарвардской медицинской школы и Национального университета Ченг Кунг на Тайване, может внести столь необходимую ясность врачам, ставящим прогнозы и принимающим решения о лечении пациентов с колоректальным раком, вторым по смертности видом рака в мире.

Только глядя на изображения образцов опухоли — микроскопические изображения раковых клеток — новый инструмент точно предсказывает, насколько агрессивна колоректальная опухоль, насколько вероятно, что пациент выживет с рецидивом заболевания и без него, и какая оптимальная терапия может быть для него.

Отчет о работе команды опубликован в Nature Communications .

Наличие инструмента, который отвечает на такие вопросы, может помочь клиницистам и пациентам ориентироваться в этом коварном заболевании, которое часто ведет себя по-разному даже среди людей с аналогичным профилем заболевания, получающих одинаковое лечение, и в конечном итоге может спасти часть из 1 миллиона жизней, которые ежегодно уносит колоректальный рак . .

Исследователи предупреждают, что инструмент предназначен для расширения, а не замены человеческого опыта.

«Наша модель выполняет задачи, которые патологоанатомы не могут выполнить, основываясь только на просмотре изображений», — сказал соавтор исследования Кун-Синг Ю, доцент кафедры биомедицинской информатики в Институте Блаватника в HMS. Ю возглавлял международную группу патологоанатомов, онкологов, биомедицинских информатиков и специалистов по информатике.

«То, что мы ожидаем, — это не замена опыта в области патологии человека, а расширение того, что могут сделать патологи», — добавил Юй. «Мы полностью ожидаем, что этот подход расширит существующую клиническую практику лечения рака».

Исследователи предупреждают, что прогноз любого отдельного пациента зависит от множества факторов и что ни одна модель не может точно предсказать выживаемость любого конкретного пациента. Тем не менее, добавляют они, новая модель может быть полезна для того, чтобы направлять клиницистов к более тщательному наблюдению, рассмотрению более агрессивных методов лечения или рекомендации клинических испытаний , проверяющих экспериментальные методы лечения, если их пациенты имеют худшие прогнозы, основанные на оценке инструмента.

Исследователи отметили, что этот инструмент может быть особенно полезен в районах с ограниченными ресурсами как в этой стране, так и во всем мире, где сложная патология и генетическое секвенирование опухолей могут быть недоступны.

Новый инструмент выходит за рамки многих существующих инструментов искусственного интеллекта, которые в основном выполняют задачи, копирующие или оптимизирующие человеческий опыт. Новый инструмент, для сравнения, обнаруживает и интерпретирует визуальные закономерности на микроскопических изображениях, которые неразличимы человеческим глазом.

Инструмент под названием MOMA (от Multi-omics Multi-cohort Assessment) находится в свободном доступе для исследователей и клиницистов.

Обширное обучение и тестирование

Модель была обучена на информации, полученной от почти 2000 пациентов с колоректальным раком из различных национальных когорт пациентов, которые в совокупности включают более 450 000 участников — последующее исследование медицинских работников, исследование здоровья медсестер, программа «Атлас генома рака» и исследование Национального института здравоохранения. Испытание скрининга рака PLCO (простаты, легких, колоректального рака и яичников).

На этапе обучения исследователи вводили в модель информацию о возрасте, поле, стадии рака и результатах лечения пациентов. Они также предоставили ему информацию о геномных, эпигенетических, белковых и метаболических профилях опухолей.

Затем исследователи показали модели изображения патологии образцов опухоли и попросили ее искать визуальные маркеры, связанные с типами опухолей, генетическими мутациями, эпигенетическими изменениями, прогрессированием заболевания и выживаемостью пациентов.

Затем исследователи проверили, как модель может работать в «реальном мире», предоставив ей набор изображений, которые она раньше не видела, образцов опухолей от разных пациентов. Они сравнили его эффективность с фактическими результатами лечения пациентов и другой доступной клинической информацией.

Модель точно предсказала общую выживаемость пациентов после постановки диагноза, а также количество лет без рака.

Инструмент также точно предсказал, как отдельный пациент может реагировать на различные методы лечения, основываясь на том, содержит ли опухоль пациента определенные генетические мутации, которые делают рак более или менее склонным к прогрессированию или распространению.

В обеих этих областях инструмент превзошел патологоанатомов, а также текущие модели ИИ.

Исследователи заявили, что модель будет периодически обновляться по мере развития науки и появления новых данных.

«Очень важно, чтобы с любой моделью ИИ мы постоянно следили за ее поведением и производительностью, потому что мы можем увидеть сдвиги в распределении бремени болезней или новых токсинов в окружающей среде, которые способствуют развитию рака», — сказал Ю. «Важно дополнять модель новыми данными по мере их поступления, чтобы ее производительность никогда не отставала».

Распознавание контрольных моделей

В новой модели используются преимущества последних достижений в области методов визуализации опухолей, которые обеспечивают беспрецедентный уровень детализации, который, тем не менее, остается неразличимым для человека. Основываясь на этих деталях, модель успешно определила показатели того, насколько агрессивной была опухоль и насколько вероятно, что она будет вести себя в ответ на конкретное лечение.

Основываясь только на изображении, модель также определила характеристики, связанные с наличием или отсутствием определенных генетических мутаций , что обычно требует геномного секвенирования опухоли. Секвенирование может занять много времени и средств, особенно в больницах, где такие услуги обычно недоступны.

По словам исследователей , именно в таких ситуациях модель может обеспечить своевременную поддержку принятия решений о выборе лечения в условиях ограниченных ресурсов или в ситуациях, когда нет доступной для генетического секвенирования опухолевой ткани.

Исследователи заявили, что перед развертыванием модели для использования в клиниках и больницах ее следует протестировать в проспективном рандомизированном исследовании, в котором оценивается эффективность инструмента на реальных пациентах с течением времени после первоначального диагноза. По словам Ю, такое исследование обеспечит демонстрацию возможностей модели золотым стандартом путем прямого сравнения реальной производительности инструмента с использованием одних только изображений с работой врачей-людей, которые используют знания и результаты тестов, к которым у модели нет доступа.

По словам исследователей, еще одной сильной стороной модели является ее прозрачная аргументация. Если клиницист, использующий модель, спросит, почему она сделала данный прогноз, инструмент сможет объяснить свои рассуждения и используемые переменные.

По словам Ю, эта функция важна для повышения уверенности клиницистов в используемых ими моделях ИИ.

Оценка прогрессирования заболевания, оптимальное лечение

Модель точно определила характеристики изображения, связанные с различиями в выживаемости.

Например, он определил три особенности изображения, которые предвещали худшие результаты:

• Большая плотность клеток в опухоли.
• Наличие соединительной поддерживающей ткани вокруг опухолевых клеток, известной как строма.
• Взаимодействие опухолевых клеток с гладкомышечными клетками.

Модель также выявила закономерности в строме опухоли, которые указывали на то, какие пациенты с большей вероятностью проживут дольше без рецидива рака.

Инструмент также точно предсказал, какие пациенты выиграют от класса лечения рака, известного как ингибиторы иммунных контрольных точек. Хотя эти методы лечения работают у многих пациентов с раком толстой кишки, некоторые из них не дают заметной пользы и имеют серьезные побочные эффекты. Таким образом, модель может помочь клиницистам адаптировать лечение и избавить пациентов, которым это не принесет пользы, сказал Ю.

Модель также успешно обнаружила эпигенетические изменения, связанные с колоректальным раком . Эти изменения, которые происходят, когда молекулы, известные как метильные группы, прикрепляются к ДНК и изменяют поведение этой ДНК, как известно, заставляют замолчать гены, которые подавляют опухоли, вызывая быстрый рост рака. Способность модели идентифицировать эти изменения знаменует собой еще один способ, которым она может информировать о выборе лечения и прогнозе.