Разработан персонализированный скрининг рака с помощью ИИ

Прочитано: 969 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (1 голосов, среднее: 5,00 из 5)
Loading ... Loading ...


В то время как маммография в настоящее время является золотым стандартом в скрининге рака молочной железы, существуют водовороты противоречий: защитники приводят доводы в пользу способности спасать жизни (у женщин в возрасте от 60 до 69 лет риск смерти был на 33% ниже, чем у тех, кто не делал маммографию). , а другой лагерь утверждает о дорогостоящих и потенциально травмирующих ложных срабатываниях (метаанализ трех рандомизированных испытаний показал 19-процентный уровень гипердиагностики при маммографии).

Даже с некоторыми спасенными жизнями и некоторым чрезмерным лечением и чрезмерным скринингом текущие рекомендации по-прежнему универсальны: женщины в возрасте от 45 до 54 лет должны проходить маммографию каждый год. В то время как персонализированный скрининг долгое время считался ответом, инструменты, которые могут использовать для этого массивы данных, отстают.

Это побудило ученых из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) и Клиники машинного обучения и здравоохранения Джамиля задаться вопросом: можем ли мы использовать машинное обучение для проведения персонализированного скрининга?

Из этого появился Tempo, технология для создания руководств по скринингу на основе рисков. Используя модель риска на основе ИИ , которая учитывает, кто прошел скрининг и когда им поставили диагноз, Tempo порекомендует пациентке вернуться на маммографию в определенный момент времени в будущем, например, через шесть месяцев или три года. Та же самая политика Tempo может быть легко адаптирована к широкому диапазону возможных параметров скрининга, что позволит клиницистам выбрать желаемый компромисс между ранним выявлением и затратами на скрининг без обучения новым политикам.

Модель была обучена на большом наборе данных скрининговой маммографии из Массачусетской больницы общего профиля (MGH) и была протестирована на пациентах из MGH, а также на внешних наборах данных из больниц Emory, Karolinska Sweden и Chang Gung Memorial. Используя ранее разработанный командой алгоритм оценки риска Mirai, Tempo добилась лучшего раннего выявления, чем ежегодный скрининг, при этом в Каролинской больнице потребовалось на двадцать пять процентов меньше маммографий. В MGH рекомендовали проводить маммографию примерно в год и получили смоделированное преимущество раннего выявления примерно на четыре с половиной месяца лучше.


«Приспосабливая скрининг к индивидуальному риску пациента, мы можем улучшить результаты лечения пациентов, уменьшить чрезмерное лечение и устранить различия в состоянии здоровья», — говорит Адам Яла, доктор философии MIT CSAIL. студент и ведущий научный сотрудник. Учитывая массовые масштабы скрининга рака молочной железы , когда десятки миллионов женщин ежегодно проходят маммографию, усовершенствование наших рекомендаций чрезвычайно важно».

Глубокая медицина

Раннее использование ИИ в медицине восходит к 1960-м годам, когда многие называют эксперименты Дендрала стартом. Исследователи создали программную систему, которая считалась первым типом экспертов, автоматизировавшим принятие решений и решение проблем химиками-органиками. Шестьдесят лет спустя глубинная медицина сильно развила лекарственную диагностику, предиктивную медицину и уход за пациентами.

«Текущие рекомендации делят население на несколько больших групп, например моложе или старше 55 лет, и рекомендуют одинаковую частоту скрининга для всех членов когорты. Разработка моделей риска на основе ИИ, которые работают с необработанными данными пациентов, дает нам возможность трансформировать досмотр, предоставляя более частые показы тем, кто в нем нуждается, и экономя на остальных», — говорит Яла. «Ключевым аспектом этих моделей является то, что их прогнозы могут меняться со временем по мере изменения необработанных данных о пациенте, что предполагает необходимость адаптации политики скрининга к изменениям риска и оптимизации в течение длительных периодов данных о пациентах».

Tempo использует обучение с подкреплением, метод машинного обучения , широко известный своими успехами в таких играх, как шахматы и го, для разработки «политики», которая прогнозирует последующие рекомендации для каждого пациента.

Данные обучения здесь содержали информацию о риске пациента только в моменты времени, когда была сделана его маммография (например, когда ему было 50 или 55 лет). Команде нужна была оценка риска в промежуточных точках, поэтому они разработали свой алгоритм для изучения риска пациента в ненаблюдаемые моменты времени на основе наблюдаемых скринингов, которые развивались по мере появления новых маммограмм пациента.

Команда сначала обучила нейронную сеть прогнозировать будущие оценки риска на основе предыдущих. Затем эта модель оценивает риск пациента в ненаблюдаемые моменты времени и позволяет моделировать политику скрининга на основе риска. Затем они обучили эту политику (также нейронную сеть), чтобы максимизировать вознаграждение (например, сочетание стоимости раннего обнаружения и скрининга) для ретроспективного обучающего набора. В конце концов, вы получите рекомендацию о том, когда вернуться к следующему экрану, в диапазоне от шести месяцев до трех лет в будущем, кратном шести месяцам — стандартом является только один или два года.

Допустим, пациентка А приходит на первую маммографию, и в конце концов ей ставят диагноз на четвертом году жизни. На второй год ничего нет, поэтому они не возвращаются еще два года, но потом на четвертом году им ставят диагноз. Между последним скринингом, где могла вырасти опухоль, прошло два года.

Используя Tempo, на той первой маммографии в нулевой год можно было порекомендовать вернуться через два года. А потом на втором году, возможно, увидели бы, что риск высок, и рекомендовали бы пациенту вернуться через полгода, и в лучшем случае это было бы выявляемо. Модель динамически изменяет частоту скрининга пациента в зависимости от того, как меняется профиль риска.

Tempo использует простую метрику для раннего выявления, которая предполагает, что рак можно обнаружить за 18 месяцев. Несмотря на то, что Tempo превзошла текущие рекомендации при различных условиях этого предположения (шесть месяцев, двенадцать месяцев), ни одно из этих предположений не является совершенным, поскольку потенциал раннего обнаружения опухоли зависит от характеристик этой опухоли. Команда предположила, что последующая работа с использованием моделей роста опухоли может решить эту проблему.

Кроме того, метрика стоимости скрининга, которая подсчитывает общий объем скрининга, рекомендованный Tempo, не дает полного анализа всех будущих затрат, поскольку не дает явного количественного определения ложноположительных рисков или дополнительного вреда от скрининга.

Есть много будущих направлений, которые могут еще больше улучшить алгоритмы персонализированного скрининга. Команда говорит, что одним из способов будет использование показателей, используемых для оценки затрат на раннее выявление и скрининг на основе ретроспективных данных, что приведет к более точным рекомендациям. Tempo также может быть адаптирован для включения различных типов рекомендаций по скринингу, таких как использование МРТ или маммографии, и будущая работа может отдельно моделировать затраты и преимущества каждого из них. При улучшении политики скрининга может оказаться возможным перерасчет самого раннего и самого позднего возраста, в котором скрининг все еще экономически эффективен для пациента.

«Наша структура является гибкой и может быть легко использована для других заболеваний, других форм моделей риска и других определений преимуществ раннего выявления или стоимости скрининга. Мы ожидаем, что полезность Tempo будет продолжать улучшаться по мере дальнейшего совершенствования моделей риска и показателей результатов. , Мы рады работать с партнерами-больницами для перспективного изучения этой технологии и помощи в дальнейшем улучшении персонализированного скрининга рака», — говорит Яла.

Разработан персонализированный скрининг рака с помощью ИИ



Новости партнеров