Сложный характер прогнозирования риска был подкреплен инструментами искусственного интеллекта (ИИ), но внедрение ИИ в медицине было ограничено низкой эффективностью в отношении новых групп пациентов и пренебрежением к расовым меньшинствам .
Два года назад группа ученых из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) и клиники Джамиля (J-Clinic) продемонстрировала систему глубокого обучения для прогнозирования риска рака с использованием только маммограммы пациента. Модель показала значительные перспективы и даже улучшила инклюзивность: она была одинаково точна как для белых, так и для чернокожих женщин, что особенно важно, учитывая, что чернокожие женщины на 43 процента чаще умирают от рака груди.
Но чтобы интегрировать модели риска на основе изображений в клиническую помощь и сделать их широко доступными, исследователи говорят, что модели нуждались как в улучшении алгоритмов, так и в крупномасштабной проверке в нескольких больницах, чтобы доказать их надежность.
С этой целью они адаптировали свой новый алгоритм «Mirai» с учетом уникальных требований моделирования рисков. Mirai совместно моделирует риск для пациента в нескольких будущих временных точках и при необходимости может извлечь выгоду из клинических факторов риска, таких как возраст или семейный анамнез, если они доступны. Алгоритм также предназначен для создания прогнозов, которые согласуются с небольшими отклонениями в клинической среде, например, с выбором маммографического аппарата.
Команда обучила Мираи на том же наборе данных из более чем 200000 обследований из Массачусетской больницы общего профиля (MGH) из их предыдущей работы и проверила их на наборах тестов из MGH, Каролинского института в Швеции и Мемориальной больницы Чанг Гун на Тайване. Mirai теперь установлена в MGH, и сотрудники команды активно работают над внедрением этой модели в систему ухода.
Mirai был значительно более точным, чем предыдущие методы, в прогнозировании риска рака и выявлении групп высокого риска по всем трем наборам данных. Сравнивая группы высокого риска на тестовом наборе MGH, команда обнаружила, что их модель выявила почти в два раза больше будущих диагнозов рака по сравнению с текущим клиническим стандартом, моделью Тайрера-Кузика. Мираи была одинаково точна для пациентов разных рас, возрастных групп и категорий плотности груди в тестовом наборе MGH, а также для разных подтипов рака в тестовом наборе Karolinska.
«Улучшенные модели риска рака груди позволяют проводить целевые стратегии скрининга, которые позволяют достичь более раннего выявления и меньшего вреда от скрининга, чем существующие рекомендации», — говорит Адам Яла, аспирант CSAIL и ведущий автор статьи о Мираи, опубликованной на этой неделе в журнале Science Translational Medicine . «Наша цель — сделать эти усовершенствования частью стандарта медицинской помощи. Мы сотрудничаем с клиницистами из Novant Health в Северной Каролине, Emory в Джорджии, Maccabi в Израиле, TecSalud в Мексике, Apollo в Индии и Barretos в Бразилии для дальнейшей проверки модели на различных группах населения и изучения того, как лучше всего реализовать ее в клинической практике ».
Как это устроено
Несмотря на широкое распространение скрининга на рак груди, исследователи говорят, что эта практика полна противоречий: более агрессивные стратегии скрининга нацелены на максимизацию преимуществ раннего выявления, тогда как менее частые скрининги направлены на снижение количества ложноположительных результатов, беспокойства и затрат на них. у которых даже не разовьется рак груди.
Текущие клинические руководства используют модели риска, чтобы определить, каким пациентам следует рекомендовать дополнительные изображения и МРТ. В некоторых руководствах используются модели риска с указанием только возраста, чтобы определить, следует ли и как часто женщине проходить обследование; другие сочетают множество факторов, связанных с возрастом, гормонами, генетикой и плотностью груди, чтобы определить дальнейшие исследования. Несмотря на десятилетия усилий, точность моделей риска, используемых в клинической практике, остается невысокой.
Недавно модели риска на основе маммографии с глубоким обучением показали многообещающие результаты. Чтобы внедрить эту технологию в клинику, команда определила три нововведения, которые, по их мнению, имеют решающее значение для моделирования рисков: совместное моделирование времени, дополнительное использование факторов риска, не связанных с изображением, и методы, обеспечивающие стабильную работу в клинических условиях.
1.
Неотъемлемой частью моделирования риска является обучение у пациентов с разным периодом наблюдения и оценка риска в разные моменты времени: это может определить, как часто они проходят скрининг, должны ли они проходить дополнительную визуализацию или даже рассматривать возможность профилактического лечения.
Хотя можно обучить отдельные модели для оценки риска для каждой временной точки, этот подход может привести к бессмысленным оценкам риска — например, прогнозирование того, что у пациента риск развития рака в течение двух лет выше, чем в течение пяти лет. . Чтобы решить эту проблему, команда разработала свою модель для прогнозирования риска одновременно во все моменты времени, используя инструмент, называемый «слоем аддитивной опасности».
Слой аддитивной опасности работает следующим образом: их сеть прогнозирует риск пациента в определенный момент времени, например, пять лет, как расширение их риска в предыдущий момент времени, например, четыре года. При этом их модель может учиться на данных с переменным количеством последующих действий, а затем производить непротиворечивые оценки рисков.
2. Факторы риска, не связанные с изображением
Хотя этот метод в первую очередь ориентирован на маммографию, команда хотела также использовать факторы риска, не связанные с изображением, такие как возраст и гормональные факторы, если они были доступны, но не требовать их во время теста. Один из подходов — добавить эти факторы в качестве входных данных в модель с изображением, но такой дизайн не позволит большинству больниц (таких как Каролинская и CGMH), в которых нет этой инфраструктуры, использовать модель.
Чтобы Mirai могла извлекать выгоду из факторов риска, не требуя их, сеть прогнозирует эту информацию во время обучения, а если ее нет, она может использовать свою собственную версию прогнозирования. Маммограммы являются богатым источником информации о здоровье, и по их изображениям можно легко предсказать многие традиционные факторы риска, такие как возраст и менопаузальный статус. В результате такого дизайна одна и та же модель может использоваться любой клиникой во всем мире, и, если у них есть эта дополнительная информация, они могут ее использовать.
3. Стабильная производительность в клинических условиях.
Чтобы включить модели риска глубокого обучения в клинические руководства, модели должны работать согласованно в различных клинических условиях, и на их прогнозы не могут повлиять незначительные изменения, например, на каком аппарате была сделана маммограмма. Даже в одной больнице ученые обнаружили, что стандартное обучение не дает последовательных прогнозов до и после замены маммографического оборудования, поскольку алгоритм может научиться полагаться на различные сигналы, характерные для окружающей среды. Чтобы снизить предвзятость модели, команда использовала состязательную схему, в которой модель специально изучает представления маммограммы, которые инвариантны к исходной клинической среде, для получения согласованных прогнозов.
Чтобы дополнительно протестировать эти обновления в различных клинических условиях, ученые оценили Mirai на новых тестовых наборах из Каролинска в Швеции и Мемориальной больницы Чанг Гунга на Тайване и обнаружили, что производительность стабильна. Команда также проанализировала эффективность модели по расам, возрасту и категориям плотности груди в наборе тестов MGH, а также по подтипам рака в наборе данных Karolinska и обнаружила, что она работает одинаково во всех подгруппах.
«У афроамериканок рак груди продолжает развиваться и в более молодом возрасте, и часто на более поздних стадиях», — говорит Салеваи Осени, хирург-маммолог из Массачусетской больницы общего профиля, который не участвовал в работе. «Это, в сочетании с более высокими случаями тройного отрицательного рака груди в этой группе, привело к увеличению смертности от рака груди. Это исследование демонстрирует разработку модели риска, прогноз которой имеет заметную точность в зависимости от расы. Возможность его клинического использования высока ».
Вот как работает Mirai:
1. Изображение маммограммы пропускается через так называемый «кодировщик изображений».
2. Каждое представление изображения, а также вид, из которого оно получено, объединяются с другими изображениями из других видов для получения представления всей маммограммы.
3. С помощью маммограммы традиционные факторы риска пациента прогнозируются с использованием модели Тайрера-Кузика (возраст, вес, гормональные факторы). Если недоступно, используются прогнозируемые значения.
4. С помощью этой информации слой аддитивной опасности прогнозирует риск пациента на каждый год в течение следующих пяти лет.
Улучшение Мираи
Хотя текущая модель не учитывает какие-либо предыдущие результаты визуализации пациента, изменения в визуализации с течением времени содержат большой объем информации. В будущем команда стремится создать методы, которые могут эффективно использовать полную историю визуализации пациента.
Аналогичным образом команда отмечает, что модель может быть дополнительно улучшена путем использования «томосинтеза», рентгеновского метода для скрининга бессимптомных онкологических пациентов. Помимо повышения точности, необходимы дополнительные исследования, чтобы определить, как адаптировать модели риска на основе изображений к различным маммографическим устройствам с ограниченными данными.
«Мы знаем, что МРТ может выявить рак раньше, чем маммография, и что более раннее обнаружение улучшает результаты для пациентов», — говорит Яла. «Но для пациентов с низким риском рака риск ложноположительных результатов может перевесить пользу. С улучшенными моделями риска мы можем разработать более подробные рекомендации по скринингу, которые предлагают более чувствительный скрининг, такой как МРТ, пациентам, у которых разовьется рак, для получения лучших результатов при одновременном сокращении ненужных проверок и чрезмерного лечения для остальных ».
«Мы одновременно взволнованы и рады задать вопрос, будет ли эта система искусственного интеллекта работать для афроамериканского населения», — говорит Джуди Гичойя, доктор медицинских наук и доцент интервенционной радиологии и информатики в Университете Эмори, которая не участвовала в Работа. «Мы тщательно изучаем этот вопрос и способы выявления сбоев».
Яла написала статью о Мираи вместе со специалистом по исследованиям Массачусетского технологического института Питером Дж. Майкл, радиологом Фредриком Стрэндом из больницы Каролинского университета, Гигин Линь из Мемориальной больницы Чанг Гунг, доцентом Кевином Смитом из Королевского технологического института Кангита, профессором Юнг-Лян Ван из Чанг Гун Университет, Лесли Лэмб из MGH, Кевин Хьюз из MGH, старший автор и профессор Гарвардской медицинской школы Констанс Леман из MGH, а также старший автор и профессор Массачусетского технологического института Регина Барзилай.
Работа была поддержана грантами Susan G Komen, Фонда исследования рака груди, Quanta Computing и клиники MIT Jameel Clinic. Он также был поддержан грантом медицинского фонда Chang Gung и Stockholm Läns Landsting HMT Grant.
