Naukowcy z University of Waterloo w Kanadzie opracowali narzędzie obliczeniowe sterowane przez sztuczną inteligencję, które może przewidywać wzrost i rozprzestrzenianie się guza mózgu na podstawie danych z rezonansu magnetycznego (MRI). Ten model może pomóc lekarzom w personalizacji leczenia pacjentów z rakiem mózgu.

Glejak wielopostaciowy (GBM) jest jedną z najczęstszych postaci raka mózgu i tylko mniejszość pacjentów z GBM przeżywa dłużej niż dwa lata. Guzy GBM są zwykle leczone za pomocą kombinacji chirurgii, radioterapii i chemioterapii, ale są trudne do zwalczania ze względu na gęsty rdzeń, szybki wzrost i izolowaną lokalizację w tkance mózgowej.

Klinicyści mogą lepiej dostosować swoje leczenie do pacjentów z GBM, używając MRI, aby ocenić, jak rozproszony jest guz, oprócz tempa jego proliferacji. Często włączają te parametry do modelu matematycznego, który może przewidzieć następny ruch guza.

Jednak uzyskanie danych wymaganych do modelowania guza każdego pacjenta może być trudne, kosztowne i ryzykowne. Oznacza to, że prognozy muszą opierać się na mniejszych zestawach danych, co może prowadzić do mniejszej dokładności modelu. Jeśli klinicyści źle przewidują wzrost guza, może to oznaczać, że leczenie jest mniej skuteczne i skutkuje opornością na leczenie lub nawrotem guza.

Aby przezwyciężyć to ograniczenie, naukowcy opracowali model wykorzystujący głębokie uczenie się, formę uczenia maszynowego, do automatycznego pomiaru parametrów guza na podstawie skanów MRI. Można by go następnie wykorzystać do stworzenia predykcyjnych modeli progresji nowotworu bez wymagania od pacjenta dużej ilości danych.

W badaniu opublikowanym w Journal of Theoretical Biology, zespół najpierw przetestował swoje narzędzie do modelowania na skanach MRI syntetycznych guzów. Następnie połączyli siły ze szpitalem St. Michael’s Hospital w Toronto, aby przeanalizować dane MRI pięciu pacjentów z GBM, którzy z nieujawnionych powodów zdecydowali się nie otrzymywać leczenia ze względu na swój stan. Dało to naukowcom szansę zobaczenia, jak guzy GBM rosną przy braku interwencji medycznej.

W wyniku danych klinicznych i eksperymentalnych naukowcy byli w stanie zweryfikować swój model wspomagany przez sztuczną inteligencję. Zespół zamierza teraz włączyć dane MRI z leczonych guzów do zbiorów danych, których używa do szkolenia narzędzia. Może to zwiększyć zbiór danych z kilku skanów MRI do tysięcy.

„Chcielibyśmy przeprowadzić tę analizę na ogromnym zbiorze danych” — powiedział Cameron Meaney, doktorant matematyki stosowanej na Uniwersytecie Waterloo i główny badacz badania. „Jednak biorąc pod uwagę charakter choroby, jest to bardzo trudne, ponieważ oczekiwana długość życia nie jest długa, a ludzie zwykle rozpoczynają leczenie. Dlatego możliwość porównania pięciu nieleczonych guzów była tak rzadka i cenna”.

Sztuczna inteligencja jest coraz częściej wykorzystywana aby przyspieszyć żmudne i powtarzalne zadania w obrazowaniu raka, takie jak pomiary i charakterystyka guza. Prowadzi to do możliwości poprawy wykrycie raka oprócz przyjęcia spersonalizowanych zabiegów. Jednak bariera wejścia jest wysoka, ponieważ potrzebne są duże zbiory danych i moc obliczeniowa, aby te modele mogły przynieść korzyści większej liczbie pacjentów.

Główne pożądane cechy narzędzia do komputerowego modelowania guza obejmują potrzebę minimalnego wprowadzania danych przez pacjenta, brak podatności na błędy podczas stosowania w różnych placówkach, łatwość zastosowania do różnych zestawów danych oraz możliwość dostosowania się do najnowszych postępów w obrazowaniu raka , które pojawiają się często.

Zdaniem autorów badania, ich podejście do modelowania oparte na głębokim uczeniu spełnia te wymagania, a dzięki większej liczbie danych dodanych w nadchodzących latach może pozwolić klinicystom lepiej dostosować leczenie GBM do guza pacjenta.

„Włączenie analizy ilościowej do opieki zdrowotnej to przyszłość”, podsumował Meaney.