Oamenii de ştiinţă de la facultatea de medicină a universităţii Harvard au conceput un model de inteligenţă artificială (AI) versatil, asemănător ChatGPT, capabil să îndeplinească o serie de sarcini de diagnosticare a mai multor forme de cancer.
Noul sistem de inteligenţă artificială, descris în numărul din 4 septembrie a revistei Nature, depăşeşte multe dintre abordările actuale ale AI pentru diagnosticarea cancerului, au declarat cercetătorii.
Sistemele actuale de AI sunt de obicei antrenate pentru a efectua sarcini specifice - cum ar fi detectarea prezenţei cancerului sau estimarea profilului genetic al unei tumori - şi tind să funcţioneze doar pentru un număr redus de tipuri de cancer.
În schimb, noul model poate efectua o gamă largă de sarcini şi a fost testat pe 19 tipuri de cancer, ceea ce îi conferă o flexibilitate asemănătoare cu cea a modelelor lingvistice mari, cum ar fi ChatGPT.
În timp ce au apărut recent alte modele AI de fundaţie pentru diagnosticul medical bazat pe imagini patologice, se crede că acesta este primul care estimează rezultatele pacienţilor, validate pe mai multe grupuri internaţionale de pacienţi.
„Ambiţia noastră a fost să creăm o platformă AI agilă şi versatilă, asemănătoare ChatGPT, care poate efectua o gamă largă de sarcini în evaluarea cancerului”, a declarat într-un comunicat autorul principal al studiului, Kun-Hsing Yu, profesor asistent de informatică biomedicală în cadrul Institutului Blavatnik de la Harvard.
„Modelul nostru s-a dovedit a fi foarte util în mai multe sarcini legate de detectarea cancerului, prognostic şi răspuns la tratament în mai multe tipuri de cancer”.
Modelul AI, care funcţionează prin citirea diapozitivelor digitale ale ţesuturilor tumorale, detectează celulele canceroase şi estimează profilul molecular al unei tumori pe baza caracteristicilor celulare observate pe imagine, cu o precizie superioară majorităţii sistemelor AI actuale.
Acesta poate prognoza supravieţuirea pacienţilor pentru mai multe tipuri de cancer şi poate identifica cu precizie caracteristicile ţesutului care înconjoară o tumoră - cunoscut şi sub numele de micro-mediul tumoral - care sunt legate de răspunsul unui pacient la tratamentele standard, inclusiv chirurgia, chimioterapia, radioterapia şi imunoterapia.
În cele din urmă, echipa a declarat că instrumentul pare capabil să genereze informaţii noi - a identificat caracteristici tumorale specifice despre care nu se ştia anterior că sunt legate de supravieţuirea pacienţilor.
Constatările se adaugă la dovezile tot mai numeroase conform cărora abordările bazate pe inteligenţa artificială pot spori capacitatea clinicienilor de a evalua cancerele în mod eficient şi precis, inclusiv identificarea pacienţilor care ar putea să nu răspundă bine la terapiile standard împotriva cancerului, a declarat echipa de cercetare.
Dacă va fi validată în continuare şi implementată pe scară largă, această abordare şi altele similare ar putea identifica din timp pacienţii cu cancer care ar putea beneficia de tratamente experimentale care vizează anumite variaţii moleculare, o capacitate care nu este disponibilă în mod uniform în întreaga lume, au mai precizat autorii.
Formare şi performanţă
Cea mai recentă lucrare a echipei se bazează pe cercetările anterioare în domeniul sistemelor AI pentru evaluarea cancerului de colon şi a tumorilor cerebrale. Aceste studii anterioare au demonstrat fezabilitatea abordării în cadrul anumitor tipuri de cancer şi sarcini specifice.
Noul model, denumit CHIEF (Clinical Histopathology Imaging Evaluation Foundation), a fost antrenat pe 15 milioane de imagini neetichetate împărţite în secţiuni de interes.
Ulterior, instrumentul a fost antrenat pe 60.000 de imagini de lamele întregi ale unor ţesuturi precum plămân, sân, prostată, colorectal, stomac, esofag, rinichi, creier, ficat, tiroidă, pancreas, col uterin, uter, ovare, testicule, piele, ţesuturi moi, glanda suprarenală şi vezică urinară.
Antrenarea modelului pentru a examina atât secţiuni specifice ale unei imagini, cât şi întreaga imagine, i-a permis să facă legătura între modificările specifice dintr-o regiune şi contextul general.
Potrivit cercetătorilor, această abordare a permis modelului CHIEF să interpreteze o imagine într-un mod mai holistic, luând în considerare un context mai larg, în loc să se concentreze doar pe o anumită regiune.
Echipa a testat performanţa CHIEF pe mai mult de 19.400 de imagini din 32 de seturi de date independente colectate de la 24 de spitale şi cohorte de pacienţi din întreaga lume.
În general, CHIEF a depăşit alte metode AI de ultimă generaţie cu până la 36% în următoarele sarcini: detectarea celulelor canceroase, identificarea originii tumorii, estimarea rezultatelor pacienţilor şi identificarea prezenţei genelor şi a modelelor ADN legate de răspunsul la tratament.
Datorită pregătirii sale versatile, CHIEF a funcţionat la fel de bine indiferent de modul în care au fost obţinute celulele tumorale - prin biopsie sau prin excizie chirurgicală. Şi a fost la fel de precis, indiferent de tehnica utilizată pentru digitizarea probelor de celule canceroase.
Potrivit cercetătorilor, această adaptabilitate face ca CHIEF să poată fi utilizat în diferite contexte clinice şi reprezintă un pas important dincolo de modelele actuale care tind să funcţioneze bine doar atunci când citesc ţesuturi obţinute prin tehnici specifice.
Detectarea cancerului
CHIEF a obţinut o acurateţe de aproape 94% în detectarea cancerului şi a depăşit în mod semnificativ abordările AI actuale în 15 seturi de date conţinând 11 tipuri de cancer.
În cinci seturi de date de biopsie colectate din cohorte independente, CHIEF a obţinut o precizie de 96% pentru mai multe tipuri de cancer, inclusiv esofag, stomac, colon şi prostată.
Atunci când cercetătorii au testat CHIEF la prima vedere pe lame de tumori îndepărtate chirurgical de colon, plămâni, sân, endometru şi col uterin, modelul a avut o acurateţe de peste 90%.
Predicţia profilurilor moleculare ale tumorilor
Structura genetică a unei tumori conţine indicii esenţiale pentru a determina comportamentul său viitor şi tratamentele optime.
Pentru a obţine aceste informaţii, oncologii solicită secvenţierea ADN a probelor tumorale, însă o astfel de profilare genomică detaliată a ţesuturilor canceroase nu se realizează în mod curent şi nici uniform în întreaga lume, din cauza costurilor şi a timpului implicate de trimiterea probelor la laboratoare specializate în secvenţierea ADN. Chiar şi în regiunile bine dotate, procesul ar putea dura câteva săptămâni. Este o lacună pe care AI ar putea să o umple, spun cercetătorii.
Identificarea rapidă a modelelor celulare pe o imagine care sugerează aberaţii genomice specifice ar putea oferi o alternativă rapidă şi rentabilă la secvenţierea genomică, au afirmat cercetătorii.
CHIEF a depăşit metodele actuale de inteligenţă artificială pentru estimarea variaţiilor genomice într-o tumoră prin examinarea lamelelor microscopice. Această nouă abordare AI a identificat cu succes caracteristici asociate cu mai multe gene importante legate de creşterea şi suprimarea cancerului şi a indicat mutaţii genetice cheie legate de modul în care o tumoră ar putea răspunde la diverse terapii standard.
De asemenea, CHIEF a detectat modele ADN specifice legate de modul în care o tumoră de colon ar putea răspunde la o formă de imunoterapie numită blocarea punctelor de control imunitar.
Atunci când a analizat imagini ale întregului ţesut, modelul a identificat mutaţii în 54 de gene canceroase cu mutaţii frecvente, cu o acurateţe globală de peste 70 %, depăşind metoda AI actuală de ultimă generaţie pentru predicţia genomică a cancerului.
Precizia sa a fost mai mare pentru anumite gene din anumite tipuri de cancer.
Echipa a testat, de asemenea, capacitatea CHIEF de a estima mutaţiile legate de răspunsul la terapiile ţintite aprobate pentru 18 gene care acoperă 15 zone anatomice.
Modelul a atins o acurateţe ridicată în mai multe tipuri de cancer, inclusiv 96% în detectarea unei mutaţii într-o genă numită EZH2, comună într-un cancer al sângelui numit limfom difuz cu celule B mari. Acesta a atins 89% pentru mutaţia genei BRAF în cancerul tiroidian şi 91% pentru mutaţia genei NTRK1 în cancerele din sfera ORL (de cap şi de gât).
Predicţia supravieţuirii pacienţilor
Modelul inteligent a prezis cu succes supravieţuirea pacienţilor pe baza imaginilor histopatologice ale tumorii obţinute la momentul diagnosticului iniţial. În toate tipurile de cancer şi în toate grupurile de pacienţi studiate, modelul a distins pacienţii cu supravieţuire pe termen lung de cei cu supravieţuire pe termen scurt.
CHIEF a depăşit alte modele cu 8%. Iar în cazul pacienţilor cu cancere mai avansate, a depăşit alte modele AI cu 10%. În total, capacitatea CHIEF de a estima riscul ridicat de deces faţă de cel scăzut a fost testată şi confirmată pe eşantioane de pacienţi din 17 instituţii diferite.
Extragerea de informaţii noi despre comportamentul tumoral
Noul instrument de AI a identificat pe imagini modele revelatoare legate de agresivitatea tumorală şi de supravieţuirea pacienţilor.
Pentru a vizualiza aceste zone de interes, CHIEF a generat hărţi termice pe o imagine. Atunci când patologii umani au analizat aceste puncte fierbinţi derivate din inteligenţa artificială, au observat semnale intrigante care reflectau interacţiunile dintre celulele canceroase şi ţesuturile din jur.
O astfel de caracteristică a fost prezenţa unui număr mai mare de celule imune în zonele tumorii la supravieţuitorii pe termen lung, comparativ cu supravieţuitorii pe termen scurt. Această constatare are sens, spun autorii, deoarece o prezenţă mai mare a celulelor imunitare poate indica faptul că sistemul imunitar a fost activat pentru a ataca tumora.
Atunci când a analizat tumorile supravieţuitorilor pe termen mai scurt, CHIEF a identificat regiuni de interes marcate de raporturi anormale de mărime între diferite componente celulare, mai multe caracteristici atipice pe nucleele celulelor, conexiuni slabe între celule şi mai puţină prezenţă a ţesutului conjunctiv în zona din jurul tumorii.
Aceste tumori aveau, de asemenea, o prezenţă mai mare de celule muribunde în jurul lor. De exemplu, în cazul tumorilor de sân, CHIEF a identificat ca zonă de interes prezenţa necrozei - sau moartea celulelor - în interiorul ţesuturilor.
Pe de altă parte, cancerele de sân cu rate mai mari de supravieţuire aveau mai multe şanse de a avea o arhitectură celulară conservată, asemănătoare ţesuturilor sănătoase. Caracteristicile vizuale şi zonele de interes legate de supravieţuire au variat în funcţie de tipul de cancer, a observat echipa.
Etapele următoare
Cercetătorii au declarat că intenţionează să rafineze performanţa CHIEF şi să îi sporească capacităţile prin:
- efectuarea de antrenamente suplimentare pe imagini de ţesuturi din boli rare şi afecţiuni necanceroase;
- includerea de eşantioane din ţesuturi pre-maligne înainte ca celulele să devină complet canceroase;
- expunerea modelului la mai multe date moleculare pentru a-i spori capacitatea de a identifica cancerele cu diferite niveluri de agresivitate;
- antrenarea modelului pentru a estima, de asemenea, beneficiile şi efectele adverse ale noilor tratamente împotriva cancerului, pe lângă tratamentele standard.
