Newswise — nowy model sztucznej inteligencji zaprojektowany przez naukowców z Harvard Medical School i National Cheng Kung University na Tajwanie może zapewnić bardzo potrzebną przejrzystość lekarzom dostarczającym prognozy i decydującym o leczeniu pacjentów z rakiem jelita grubego, drugim pod względem śmiertelności nowotworem na świecie.

Tylko patrząc na obrazy próbek guza – mikroskopijne obrazy komórek nowotworowych – nowe narzędzie dokładnie przewiduje, jak agresywny jest guz jelita grubego, jakie jest prawdopodobieństwo przeżycia pacjenta z nawrotem choroby i bez niego oraz jaka może być dla nich optymalna terapia.

Posiadanie narzędzia, które odpowiada na takie pytania, mogłoby pomóc klinicystom i pacjentom w radzeniu sobie z tą podstępną chorobą, która często zachowuje się inaczej, nawet wśród osób z podobnymi profilami chorób, które otrzymują to samo leczenie – i ostatecznie mogłoby uratować życie niektórych z miliona ofiar raka jelita grubego, które co roku pochłania rak jelita grubego. .

Sprawozdanie z prac zespołu ukazuje się 13 kwietnia br Komunikacja natury.

Naukowcy twierdzą, że narzędzie ma na celu zwiększenie, a nie zastąpienie ludzkiej wiedzy.

„Nasz model wykonuje zadania, których patolodzy nie są w stanie wykonać na podstawie samego przeglądania obrazów” – powiedział starszy współautor badania, Kun-Hsing Yu, adiunkt informatyki biomedycznej w Instytucie Blavatnik w HMS. Yu kierował międzynarodowym zespołem patologów, onkologów, informatyków biomedycznych i informatyków.

„To, czego oczekujemy, nie zastąpi wiedzy z zakresu patologii człowieka, ale zwiększy możliwości ludzkich patologów” — dodał Yu. „Oczekujemy, że to podejście rozszerzy obecną praktykę kliniczną leczenia raka”.

Naukowcy ostrzegają, że rokowanie każdego indywidualnego pacjenta zależy od wielu czynników i że żaden model nie może doskonale przewidzieć przeżycia danego pacjenta. Dodają jednak, że nowy model może być przydatny w kierowaniu klinicystów do dokładniejszej obserwacji, rozważenia bardziej agresywnych metod leczenia lub zalecania badań klinicznych testujących terapie eksperymentalne, jeśli ich pacjenci mają gorsze prognozy na podstawie oceny narzędzia.

Narzędzie może być szczególnie przydatne na obszarach o ograniczonych zasobach, zarówno w tym kraju, jak i na całym świecie, gdzie zaawansowana patologia i sekwencjonowanie genetyczne nowotworów mogą nie być łatwo dostępne, zauważyli naukowcy.

Nowe narzędzie wykracza poza wiele obecnych narzędzi sztucznej inteligencji, które przede wszystkim wykonują zadania replikujące lub optymalizujące ludzką wiedzę. Dla porównania, nowe narzędzie wykrywa i interpretuje wzorce wizualne na obrazach mikroskopowych, które są niezauważalne dla ludzkiego oka.

Narzędzie o nazwie MOMA (ang. Multi-omics Multi-cohort Assessment) jest bezpłatnie dostępne dla badaczy i klinicystów.

Intensywne szkolenia i testy

Model został przeszkolony na podstawie informacji uzyskanych od prawie 2000 pacjentów z rakiem jelita grubego z różnych krajowych kohort pacjentów, które łącznie obejmują ponad 450 000 uczestników — badanie uzupełniające pracowników służby zdrowia, Nurses’ Health Study, Cancer Genome Atlas Program oraz PLCO (prostaty, płuc, jelita grubego i jajników) NIH w badaniu przesiewowym w kierunku raka.

Podczas fazy szkoleniowej naukowcy karmili model informacjami o wieku pacjentów, płci, stadium raka i wynikach. Przekazali również informacje o profilach genomowych, epigenetycznych, białkowych i metabolicznych guzów.

Następnie naukowcy pokazali modelowe obrazy patologiczne próbek guza i poprosili go o wyszukanie wizualnych markerów związanych z typami guzów, mutacjami genetycznymi, zmianami epigenetycznymi, postępem choroby i przeżyciem pacjentów.

Następnie naukowcy przetestowali, jak model może działać w „prawdziwym świecie”, dostarczając mu zestaw obrazów próbek guza od różnych pacjentów, których wcześniej nie widział. Porównali jego działanie z rzeczywistymi wynikami pacjentów i innymi dostępnymi informacjami klinicznymi.

Model dokładnie przewidywał całkowite przeżycie pacjentów po postawieniu diagnozy, a także ile z tych lat będzie wolnych od raka.

Narzędzie dokładnie przewidziało również, jak indywidualny pacjent może zareagować na różne terapie, w oparciu o to, czy guz pacjenta zawiera określone mutacje genetyczne, które sprawiają, że rak jest mniej lub bardziej podatny na progresję lub rozprzestrzenianie się.

W obu tych obszarach narzędzie przewyższyło ludzkich patologów, a także obecne modele sztucznej inteligencji.

Naukowcy stwierdzili, że model będzie podlegał okresowej aktualizacji w miarę rozwoju nauki i pojawiania się nowych danych.

„W przypadku każdego modelu sztucznej inteligencji niezwykle ważne jest, aby stale monitorować jego zachowanie i wydajność, ponieważ możemy zaobserwować zmiany w rozkładzie obciążenia chorobami lub nowymi toksynami środowiskowymi, które przyczyniają się do rozwoju raka” – powiedział Yu. „Ważne jest, aby rozszerzać model o nowe i więcej danych w miarę ich pojawiania się, aby jego wydajność nigdy nie pozostawała w tyle”.

Rozpoznawalne wzorce charakterystyczne

Nowy model wykorzystuje najnowsze postępy w technikach obrazowania nowotworów, które oferują niespotykany dotąd poziom szczegółowości, który jednak pozostaje niezauważalny dla oceniających ludzi. Na podstawie tych szczegółów model z powodzeniem zidentyfikował wskaźniki tego, jak agresywny był guz i jakie jest prawdopodobieństwo jego zachowania w odpowiedzi na określone leczenie.

Na podstawie samego obrazu model wskazał również cechy związane z obecnością lub brakiem określonych mutacji genetycznych – coś, co zwykle wymaga sekwencjonowania genomu guza. Sekwencjonowanie może być czasochłonne i kosztowne, szczególnie w przypadku szpitali, w których takie usługi nie są rutynowo dostępne.

Naukowcy stwierdzili, że właśnie w takich sytuacjach model może zapewnić szybkie wsparcie decyzji dotyczących wyboru leczenia w warunkach ograniczonych zasobów lub w sytuacjach, w których nie ma dostępnej tkanki nowotworowej do sekwencjonowania genetycznego.

Naukowcy stwierdzili, że przed wdrożeniem modelu do użytku w klinikach i szpitalach należy go przetestować w prospektywnym, randomizowanym badaniu oceniającym działanie narzędzia u rzeczywistych pacjentów w czasie po wstępnej diagnozie. Takie badanie zapewniłoby złoty standard demonstracji możliwości modelu, powiedział Yu, poprzez bezpośrednie porównanie rzeczywistej wydajności narzędzia przy użyciu samych obrazów z ludzkimi klinicystami, którzy wykorzystują wiedzę i wyniki testów, do których model nie ma dostępu.

Naukowcy stwierdzili, że kolejną zaletą modelu jest jego przejrzyste rozumowanie. Jeśli klinicysta korzystający z modelu zapyta, dlaczego dokonał danej prognozy, narzędzie będzie w stanie wyjaśnić jego rozumowanie i użyte zmienne.

Ta funkcja jest ważna dla zwiększenia zaufania klinicystów do modeli AI, których używają, powiedział Yu.

Ocena postępu choroby, optymalne leczenie

Model dokładnie wskazywał cechy obrazu związane z różnicami w przeżywalności. Na przykład zidentyfikowano trzy cechy obrazu, które zapowiadały gorsze wyniki:

• Większa gęstość komórek w obrębie guza.
• Obecność podtrzymującej tkanki łącznej wokół komórek nowotworowych, znanej jako podścielisko.
• Interakcje komórek nowotworowych z komórkami mięśni gładkich.

Model zidentyfikował również wzorce w zrębie guza, które wskazywały, którzy pacjenci mają większe szanse na dłuższe życie bez nawrotu raka.

Narzędzie dokładnie przewidywało również, którzy pacjenci odniosą korzyści z klasy terapii przeciwnowotworowych znanych jako inhibitory immunologicznego punktu kontrolnego. Chociaż terapie te działają u wielu pacjentów z rakiem okrężnicy, niektóre z nich nie przynoszą wymiernych korzyści i mają poważne skutki uboczne. Model może zatem pomóc klinicystom dostosować leczenie i oszczędzić pacjentów, którzy nie odniosą korzyści, powiedział Yu.

Model z powodzeniem wykrywał również zmiany epigenetyczne związane z rakiem jelita grubego. Wiadomo, że te zmiany – które występują, gdy cząsteczki zwane grupami metylowymi przyłączają się do DNA i zmieniają zachowanie tego DNA – wyciszają geny hamujące guzy, powodując szybki wzrost raka. Zdolność modelu do identyfikowania tych zmian oznacza kolejny sposób, w jaki może on wpływać na wybór leczenia i rokowanie.

Autorstwo, finansowanie, ujawnienia

Współautorami byli Pei-Chen Tsai, Tsung-Hua Lee, Kun-Chi Kuo, Fang-Yi Su, Tsung-Lu Michael Lee, Eliana Marostica, Tomotaka Ugai, Melissa Zhao, Mai Chan Lau, Juha Väyrynen, Marios Giannakis, Yasutoshi Takashima, Seyed Mousavi Kahaki, Kana Wu, Mingyang Song, Jeffrey Meyerhardt, Andrew Chan, Jung-Hsien Chiang, Jonathan Nowak i Shuji Ogino.

Inne instytucje zaangażowane w badania to Harvard TH Chan School of Public Health, MIT, Dana-Farber Cancer Institute, Massachusetts General Hospital, Brigham and Women’s Hospital, Southern Taiwan University of Science and Technology oraz Oulu University Hospital w Finlandii.

Prace były wspierane przez National Institute of General Medical Sciences (grant R35GM142879), Google Research Scholar Award oraz Blavatnik Center for Computational Biomedicine Award. Wsparcie obliczeniowe zostało zapewnione za pośrednictwem Microsoft Azure for Research Award, programu NVIDIA GPU Grant oraz Extreme Science and Engineering Discovery Environment (XSEDE) w Pittsburgh Supercomputing Center (przydział TG-BCS180016).

Yu jest wynalazcą US 16/179,101 przypisanym do Uniwersytetu Harvarda. Yu był konsultantem Curatio DL. Wu jest obecnie udziałowcem i pracownikiem firmy Vertex Pharmaceuticals, która nie wniosła wkładu finansowego w badanie.