Sztuczna inteligencja w prognozowaniu nowotworów – przyszłość medycyny

Sztuczna inteligencja stanowi obiecującą opcję poprawy dokładności opieki zdrowotnej i wyników pacjentów w onkologii¹. Zastosowania AI w onkologii obejmują ocenę ryzyka, wczesną diagnozę, oszacowanie prognozy pacjenta oraz wybór leczenia oparty na głębokiej wiedzy¹. Uczenie maszynowe, jako podzbiór AI umożliwiający komputerom uczenie się z danych treningowych, wykazało wysoką skuteczność w przewidywaniu różnych typów nowotworów, w tym raka piersi, mózgu, płuc, wątroby i prostaty¹.

Faktycznie, AI i uczenie maszynowe wykazały większą dokładność w przewidywaniu nowotworów niż klinicyści¹. Zdolność do dokładnego przewidywania, które schematy leczenia są najlepiej dostosowane do każdego pacjenta na podstawie ich odrębnych cech molekularnych, genetycznych i nowotworowych, stanowi wyzwanie w opiece onkologicznej, które AI ma rozwiązać².

Głębokie uczenie maszynowe w prognozowaniu

Głębokie uczenie maszynowe stanowi ważną gałąź sztucznej inteligencji i uczenia maszynowego, która została szeroko wykorzystana w różnych aspektach pomocniczej diagnozy nowotworów, wśród których prognoza nowotworowa jest najważniejszą częścią³. Wysokiej dokładności prognoza nowotworowa jest korzystna dla zarządzania klinicznego pacjentów z nowotworami³. W porównaniu z innymi metodami, modele głębokiego uczenia mogą znacząco poprawić dokładność przewidywania³.

Głębokie uczenie maszynowe to stosunkowo nowatorska metoda, która wykorzystuje struktury nałożone przez wielowarstwowe sieci neuronowe do trenowania i przewidywania zbiorów danych związanych z nowotworami³. Badanie pokazuje, że głębokie sieci neuronowe mogą lepiej integrować dane multiomiczne, w tym między innymi dane kliniczne, patologiczne i radiomiczne, i mają wyższą dokładność niż tradycyjne modele uczenia maszynowego w przewidywaniu przeżycia nowotworowego⁴.

Architektury sieci neuronowych

Wyniki sugerują, że przewidywanie przeżycia oparte na obrazach CNN jest obiecujące i może być zintegrowane z istniejącymi danymi klinicznymi⁴. Kombinacja uczenia nienadzorowanego i nadzorowanego daje sieciom DBN dużą elastyczność⁴. Sieci rezydualne głębokie (DRN) były gorącym tematem badawczym w dziedzinie przewidywania prognozy nowotworowej i zostały szeroko wykorzystane w obrazach medycznych 3D⁴.

Rozwój transformatorów wizyjnych (ViT) zapewnia nowy schemat badawczy dla przewidywania prognozy nowotworowej⁴. Powyższe badania wykazały potężną wydajność budowania modelu prognostycznego przeżycia nowotworowego ViT⁴. Badania modelu prognostycznego głębokiego uczenia nowotworowego mogą lepiej leczyć pacjentów z nowotworami⁴.

Przetwarzanie języka naturalnego w medycynie

Wykorzystanie uczenia maszynowego do trenowania modeli przewidywania ogólnego przeżycia wykazuje, że modele zawierające cechy pochodzące z przetwarzania języka naturalnego, takie jak miejsca choroby, przewyższają te oparte na danych genomicznych lub samym stopniu zaawansowania, co zostało przetestowane przez walidację krzyżową i zewnętrzny, wieloinstytucjonalny zbiór danych⁵. Wykazano wykonalność automatycznej adnotacji z nieustrukturyzowanych notatek oraz jej użyteczność w przewidywaniu wyników pacjentów⁵.

Modele zawierające bardziej szczegółowe dane kliniczne, genomiczne, radiomiczne i histopatologiczne wykazały obiecujące rezultaty w lepszej stratyfikacji ryzyka, chociaż te wysiłki często opierają się na i są ograniczone przez ręczne wydobywanie kluczowych elementów danych i są badane w kohortach o skromnej wielkości⁶. Nasze wyniki wskazują, że biomarkery multimodalne są lepsze od stopnia zaawansowania choroby w prognozowaniu⁶.

Duże modele językowe w onkologii

Badanie wykazuje potencjał wykorzystania dużych modeli językowych (LLM) do przetwarzania danych medycznych oraz integracji danych przetworzonych przez LLM w modelowanie prognostyczne⁷. Przewidywanie przeżycia po cystektomii jest niezbędne dla opieki następczej nad pacjentami z rakiem pęcherza⁷. Dodanie informacji obrazowych może dodatkowo poprawić dokładność przewidywania przeżycia modeli⁷.

Szybki rozwój LLM zapewnia możliwość eksploracji wykorzystania LLM do automatycznego wydobywania informacji z raportów klinicznych, które mogą być wykorzystane jako dane wejściowe zarówno do modeli nomogramowych, jak i zintegrowanych modeli, łączących informacje kliniczne i obrazowe dla przewidywania przeżycia⁷. Hipoteza zakłada, że LLM mogą automatycznie i dokładnie wydobywać istotne informacje kliniczno-patologiczne z dokumentacji medycznej oraz że zintegrowane modele oparte na informacjach klinicznych i obrazowych są dokładniejsze w przewidywaniu przeżycia pacjentów z rakiem pęcherza niż każdy kanał osobno⁸.

Modele multimodalne

Model CRD przewyższył model C w przewidywaniu przeżycia pięcioletniego⁸. Po raz kolejny modele oparte na deskryptorach wydobytych przez LLM wykazały porównywalne wyniki do modeli opartych na deskryptorach wydobytych ręcznie⁸. Badanie pokazuje, że LLM mogą dokładnie wydobywać informacje kliniczne z dokumentacji medycznej pacjenta i raportów medycznych⁹. Badanie również wykazuje skuteczność łączenia automatycznie wydobytych cech klinicznych i obrazowych w celu poprawy wydajności modeli przewidywania przeżycia dla pacjentów z rakiem pęcherza⁹.

Uczenie maszynowe może pomóc w przewidywaniu i diagnozie nowotworów poprzez analizę profili patologicznych, badań obrazowych oraz zdolność do konwersji obrazów na sekwencje matematyczne². AI może oceniać i rozumieć dane wieloczynnikowe z kilku ocen pacjentów i dostarczać bardziej precyzyjnych informacji o przeżyciu pacjenta, prognozie i przewidywaniach progresji choroby w celu przewidywania nowotworów².

Algorytmy uczenia maszynowego

Metody uczenia maszynowego odgrywają kluczową rolę w przewidywaniu i prognozie nowotworów poprzez integrację profili ekspresji genów, zmiennych klinicznych i parametrów histologicznych¹⁰. Różne algorytmy uczenia maszynowego, takie jak sztuczne sieci neuronowe (ANN), drzewa decyzyjne (DT), maszyny wektorów nośnych (SVM) i sieci Bayesowskie (BN), są wykorzystywane do wykrywania nowotworów i przewidywania wyników¹⁰.

Wzrost technologii genomicznych i proteomicznych zwiększył dokładność predykcyjną, umożliwiając spersonalizowane podejścia terapeutyczne¹⁰. Przegląd eksplorował uczenie maszynowe w przewidywaniu/prognozie nowotworów, podkreślając ostatnie badania wykorzystujące nadzorowane uczenie maszynowe i algorytmy klasyfikacji do przewidywania wyników choroby¹⁰.

Wyzwania i ograniczenia AI

Algorytmy oparte na sztucznej inteligencji wykazały zdolność do analizowania nieustrukturyzowanych danych i prawidłowego szacowania prawdopodobieństwa pacjentów zachorowania na różne choroby, w tym nowotwory¹¹. Modele AI mogą przewidywać ryzyko nawrotu choroby po opcji terapeutycznej¹¹. Zastosowania AI do przewidywania nawrotu nowotworów wykazały większą dokładność niż standardowe modele statystyczne, co dodatkowo ułatwi optymalizację planów klinicznego follow-up¹¹.

Ważne jest jednak poprawienie obecnych technologii AI i uczenia maszynowego oraz opracowanie nowych programów z korzyścią dla pacjentów¹. Integracja różnorodnych danych i technik selekcji cech oraz klasyfikacji wykazuje obiecujące perspektywy dla badań nad nowotworami, oferując cenne narzędzia do wnioskowania w tej dziedzinie¹⁰.

Przyszłość AI w prognozowaniu nowotworowym

Cyfryzacja dokumentacji zdrowotnej i rosnąca dostępność sekwencjonowania DNA nowotworów zapewniają możliwość badania determinant wyników nowotworowych z niespotykanym bogactwem⁵. W tym badaniu wykorzystano duży, zintegrowany zbiór danych do opracowania ulepszonych modeli wyników nowotworowych⁵. Wynikowe dane są dostarczane jako publiczne zasoby dla badań onkologicznych w rzeczywistym świecie⁵.

Przewidywanie przeżycia pacjentów z nowotworami jest krytyczne dla optymalnego wyboru leczenia i zarządzania pacjentem¹². W tej pracy badana jest po raz pierwszy skuteczność obiektywnego przechwytywania i wykorzystywania informacji prognostycznych zawartych w konwencjonalnych zdjęciach portretowych przy użyciu głębokiego uczenia do celów przewidywania przeżycia¹². Wykorzystując najnowocześniejsze modele analizy przeżycia i opierając się na osadzeniach zdjęć w przestrzeni utajnionej StyleGAN, to podejście osiągnęło indeks C wynoszący 0,677, który jest znacząco wyższy od przypadku i potwierdza wartość prognostyczną osadzoną w prostych obrazach twarzy 2D¹².