Naukowcy z Uniwersytetu Stanforda obiecują przełom w onkologii. Stworzyli model sztucznej inteligencji, który potrafi przewidywać rozwój choroby nowotworowej, czy skuteczność konkretnych metod terapii, z dokładnością znacząco wyższą, niż dotychczasowe metody. Na łamach czasopisma "Nature" piszą, że ich program o nazwie MUSK może stać się modelem bazowym, który w przypadku dodatkowego, bardziej spersonalizowanego treningu powinien dawać wyniki na jeszcze wyższym poziomie.
Model integruje i analizuje informacje, które tradycyjnie służą lekarzom opiekującym się pacjentami z chorobą nowotworową, czyli obrazy mikroskopowe, zdjęcia rentgenowskie, obrazy diagnostyki tomograficznej oraz MRI z tekstem w postaci notatek na temat historii choroby i komunikacji między lekarzami różnych specjalności. Do tej pory, choć sztuczna inteligencja pomaga już lekarzom przeglądać obrazy i identyfikować anomalie związane z chorobą, trudno było opracować modele, które mogą uwzględniać wiele rodzajów danych. Model MUSK (multimodal transformer with unified mask), opracowany przez badaczy Stanford Medicine we współpracy z naukowcami Harvard Medical School, jest zdolny do integracji informacji wizualnych i tekstowych.
Model był uczony na 50 milionach obrazów standardowych preparatów patologicznych i ponad miliardzie tekstów związanych z historią choroby. Testy wykazały potem, że jest w stanie z większą niż tradycyjne metody dokładnością przewidywać rokowania tysięcy osób z różnymi typami raka, identyfikować osoby z rakiem płuc lub żołądkowo-przełykowym, które prawdopodobnie odniosą korzyść z konkretnej immunoterapii oraz wskazywać osoby z czerniakiem, u których najprawdopodobniej dojdzie do nawrotu choroby.
Zdaniem autorów pracy, MUSK stanowi znaczącą zmianę sposobu wykorzystania sztucznej inteligencji w warunkach klinicznych i może zrewolucjonizować sposób opieki nad pacjentem. MUSK może dokładnie przewidywać rokowania osób z wieloma różnymi rodzajami i etapami raka - mówi pierwszy autor pracy, prof. Ruijiang Li, onkolog z Stanford Cancer Institute. Stworzyliśmy ten model, ponieważ w praktyce klinicznej, przy podejmowaniu decyzji, lekarze nigdy nie polegają tylko na jednym rodzaju danych. Chcieliśmy więc wykorzystać wiele rodzajów danych, aby zwiększyć szanse na bardziej precyzyjne prognozy.
Narzędzia sztucznej inteligencji są w onkologii coraz częściej wykorzystywane. Do tej pory jednak używano tych narzędzi głównie do diagnostyki i odpowiedzi na pytanie, czy dany obraz pokazuje oznaki choroby nowotworowej. Trudniej było korzystać z ich pomocy przy prognozowaniu, jakie są rokowania danej osoby i która terapia może okazać się dla niej najbardziej skuteczna. Problemem był dostęp do odpowiednich danych, niezbędnych do szkolenia modelu, czyli sparowanych obrazów diagnostycznych i notatek na temat historii choroby. Twórcy MUSK-a pokonali ten problem i program, przeszkolony już na ogromnej ilości danych, może stać się teraz modelem bazowym, który po doszkoleniu na konkretnych danych może pomóc w wykonywaniu konkretnych zadań.
MUSK jest teraz narzędziem gotowym do użycia, które lekarze mogą wykorzystać do pomocy w odpowiedzi na konkretne pytania. Potrzebujemy modeli, które lekarze mogą wykorzystać do kierowania leczeniem pacjentów, które pomogą przewidzieć, jaka jest szansa na skuteczność danego leku, czy może trzeba zmienić metodę terapii. Obecnie lekarze kierują się takimi czynnikami, jak stopień zaawansowania choroby, czy obecność specyficznych genów lub białek, ale to nie zawsze jest dokładne - dodaje Li. Nowa metoda może tu pomóc.
Autorzy modelu zebrali mikroskopowe obrazy preparatów sekcji tkankowych, związane z nimi raporty patologiczne i dane dotyczące dalszego postępowania i losów pacjentów z krajowej bazy danych The Cancer Genome Atlas dla osób z 16 głównymi typami raka, w tym piersi, płuc, jelita grubego, trzustki, nerek, pęcherza, głowy i szyi. Wykorzystali te informacje do szkolenia modelu w przewidywaniu szans przeżycia dla danej choroby, czyli odsetka osób, które nie zmarły z powodu tego nowotworu w określonym czasie. Dla wszystkich typów raka, MUSK dokładnie przewidywał szanse przeżycia danego pacjenta w 75 proc. przypadków. Dla porównania, standardowe prognozy oparte na stopniu zaawansowania raka i innych czynnikach ryzyka klinicznego były poprawne w 64 proc. przypadków.
Naukowcy przeszkolili MUSK do wykorzystania tysięcy informacji do przewidywania, którzy pacjenci z rakiem płuc lub przewodu żołądkowo-przełykowego najprawdopodobniej odniosą korzyść z immunoterapii. Obecnie głównym kryterium decydującym o tym, czy pacjentowi podać określony rodzaj immunoterapii, jest to, czy w jego tkankach dochodzi do ekspresji białka PD-L1 - podkreśla Li. Zamiast korzystać tylko z jednego biomarkera, model nauczono korzystać z setek lub tysięcy informacji z wielu rodzajów danych, w tym obrazowania tkankowego, a także danych demograficznych pacjenta, historii medycznej, wcześniejszych terapii i testów laboratoryjnych.
W przypadku niedrobnokomórkowego raka płuc, MUSK poprawnie zidentyfikował pacjentów, którzy odnieśli korzyść z immunoterapi w około 77 proc. przypadków. Dla porównania, standardowa metoda przewidywania odpowiedzi na immunoterapię oparta na ekspresji białka PD-L1 była poprawna w około 61 proc przypadków. Podobne wyniki uzyskano, gdy naukowcy przeszkolili MUSK do identyfikacji, które osoby z czerniakiem najprawdopodobniej doświadczą nawrotu choroby w ciągu pięciu lat po początkowym leczeniu. W tym przypadku model był poprawny w około 83 proc. przypadków, to o okolo 12 punktów procentowych lepiej, niż w przypadku prognoz generowanych przez inne modele bazowe.
