Τα πολυτροπικά μοντέλα τεχνητής νοημοσύνης, εκπαιδευμένα σε πολλούς τύπους δεδομένων, θα μπορούσαν να βοηθήσουν τους γιατρούς να ελέγχουν με μεγαλύτερη ακρίβεια ασθενείς που κινδυνεύουν να αναπτύξουν πολλαπλούς διαφορετικούς καρκίνους.
Ερευνητές από το Brigham and Women's Hospital τμήμα της ιατρικής σχολής του Πανεπιστημίου του Χάρβαρντ ανέπτυξαν ένα μοντέλο βαθιάς μάθησης ικανό να εντοπίσει 14 τύπους καρκίνου. Οι περισσότεροι αλγόριθμοι τεχνητής νοημοσύνης είναι εκπαιδευμένοι να εντοπίζουν σημεία ασθένειας από μία μόνο πηγή δεδομένων, όπως ιατρικές σαρώσεις, αλλά αυτή μπορεί να λάβει δεδομένα από πολλές πηγές.
Η πρόβλεψη εάν κάποιος κινδυνεύει να αναπτύξει καρκίνο δεν είναι πάντα τόσο απλή, οι γιατροί συχνά πρέπει να συμβουλεύονται διάφορους τύπους πληροφοριών, όπως το ιστορικό υγειονομικής περίθαλψης ενός ασθενούς ή να κάνουν άλλες εξετάσεις για την ανίχνευση γενετικών βιοδεικτών.
Αυτά τα αποτελέσματα μπορούν να βοηθήσουν τους γιατρούς να καταλάβουν την καλύτερη θεραπεία για έναν ασθενή καθώς παρακολουθούν την εξέλιξη της νόσου, αλλά η ερμηνεία των δεδομένων μπορεί να είναι υποκειμενική, Faisal Mahmood, επίκουρος καθηγητής που εργάζεται στο Τμήμα Υπολογιστικής Παθολογίας στο Brigham and Women's Νοσοκομείο, εξήγησε.
«Οι ειδικοί αναλύουν πολλά στοιχεία για να προβλέψουν πόσο καλά μπορεί να τα πάει ένας ασθενής. Αυτές οι πρώιμες εξετάσεις γίνονται η βάση για τη λήψη αποφάσεων σχετικά με την εγγραφή σε κλινική δοκιμή ή συγκεκριμένα θεραπευτικά σχήματα. Αλλά αυτό σημαίνει ότι αυτή η πολυτροπική πρόβλεψη συμβαίνει στο επίπεδο του ειδικού. Προσπαθούμε να αντιμετωπίσουμε το πρόβλημα υπολογιστικά», είπε στο a δήλωση.
Ο Mahmood και οι συνεργάτες του περιέγραψαν πώς ένα ενιαίο γενικό σύστημα, αποτελούμενο από πολυάριθμους αλγόριθμους βασισμένους στη βαθιά μάθηση και εκπαιδευμένο σε πολλαπλές μορφές δεδομένων, θα μπορούσε να διαγνώσει έως και 14 διαφορετικούς καρκίνους. Οι ερευνητές χρησιμοποίησαν δεδομένα εκπαίδευσης από το The Cancer Genome Atlas (TCGA), έναν δημόσιο πόρο που περιέχει δεδομένα για διαφορετικούς τύπους καρκίνου που ελήφθησαν από περισσότερους από 5,000 πραγματικούς ασθενείς, καθώς και άλλες πηγές δεδομένων.
Πρώτον, χρησιμοποιήθηκαν μικροσκοπικές όψεις κυτταρικών ιστών από εικόνες ολόκληρων διαφανειών (WSIs) και δεδομένα γονιδιωματικής που βασίζονται σε κείμενο για την εκπαίδευση δύο ξεχωριστών μοντέλων. Αυτά στη συνέχεια ενσωματώθηκαν σε ένα ενιαίο σύστημα για να προβλέψουν εάν οι ασθενείς διατρέχουν υψηλό ή χαμηλό κίνδυνο να αναπτύξουν τους διαφορετικούς τύπους καρκίνου. Το μοντέλο μπορεί ακόμη και να βοηθήσει τους επιστήμονες να βρουν ή να επιβεβαιώσουν γενετικούς δείκτες που σχετίζονται με ορισμένες ασθένειες, ισχυρίστηκαν οι ερευνητές.
«Η χρήση βαθιάς μάθησης, η πολυτροπική σύντηξη μοριακών βιοδεικτών και τα εξαγόμενα μορφολογικά χαρακτηριστικά από τα WSIs έχει πιθανή κλινική εφαρμογή όχι μόνο στη βελτίωση της ακρίβειας στη διαστρωμάτωση κινδύνου των ασθενών, αλλά θα μπορούσε επίσης να βοηθήσει στην ανακάλυψη και επικύρωση πολυτροπικών βιοδεικτών όπου οι συνδυαστικές επιδράσεις της ιστολογίας και των γονιδιωματικών βιοδεικτών είναι άγνωστο», έγραψε η ομάδα σε μια εφημερίδα δημοσιεύθηκε στο Καρκινικό Κύτταρο τη Δευτέρα.
είπε ο Μαχμούντ Το μητρώο η τρέχουσα μελέτη ήταν μια απόδειξη της ιδέας για την εφαρμογή πολυτροπικών μοντέλων για την πρόβλεψη του κινδύνου καρκίνου. «Πρέπει να εκπαιδεύσουμε αυτά τα μοντέλα με πολύ περισσότερα δεδομένα, να δοκιμάσουμε αυτά τα μοντέλα σε μεγάλες ανεξάρτητες ομάδες δοκιμών και να εκτελέσουμε προοπτικές μελέτες και κλινικές δοκιμές για να διαπιστώσουμε την αποτελεσματικότητα αυτών των μοντέλων σε κλινικό περιβάλλον», κατέληξε. ®
