Cercetătorii au dezvoltat un sistem de inteligenţă artificială (AI) care poate indica recurenţa tumorilor cerebrale la copii din examinările RMN. Aplicând o metodă inovatoare de învăţare, care procesează multiple imagini post-tratament, modelul inteligent a depăşit semnificativ instrumentele tradiţionale bazate pe o singură examinare imagistică. Această abordare ar permite reducerea numărului de investigaţii inutile, oferind în acelaşi timp posibilitatea unei intervenţii mai timpurii şi mai ţintite atunci când riscul de recurenţă este ridicat. Se aşteaptă ca studiile clinice viitoare să confirme eficacitatea modelului în condiţii reale.
Inteligenţa artificială devine tot mai eficientă în analiza seturilor mari de imagini medicale, descoperind frecvent manifestări ale bolii care pot trece neobservate de către experţii umani.
În tratamentul cancerului cerebral pediatric, AI are potenţialul de a îmbunătăţi modul în care medicii monitorizează copiii cu gliom, un tip de tumoră cerebrală care este în general tratabil, dar care poate reveni după tratament.
Cercetători de la Mass General Brigham, în colaborare cu Boston Children’s Hospital şi Dana-Farber/Boston Children’s Cancer and Blood Disorders Center, au dezvoltat un sistem de învăţare profundă care analizează o serie de scanări cerebrale efectuate după tratament. AI a fost antrenată să identifice semnele precoce ale posibilei recidive a tumorilor.
„Multe glioame pediatrice pot fi vindecate doar prin intervenţie chirurgicală, dar recidivele, atunci când apar, sunt devastatoare”, a declarat dr. Benjamin Kann, autorul principal al studiului, cercetător în cadrul programului Artificial Intelligence in Medicine (AIM), de la Mass General Brigham, citat într-un comunicat.
„Este foarte dificil să estimăm cine este la risc de recidivă, astfel încât pacienţii sunt supuşi unor numeroase controale şi examinări RMN ani la rând. Avem nevoie de instrumente mai bune pentru a identifica precoce pacienţii cu cel mai mare risc de recurenţă”, a completat cercetătorul.
Cancerele pediatrice sunt relativ rare, astfel că studiile de acest tip se confruntă adeseori cu provocări din cauza datelor limitate disponibile.
Pentru a depăşi acest obstacol, cercetătorii au colaborat cu instituţii de pe întreg teritoriul Statelor Unite pentru a aduna un set de date compus din aproape 4.000 de scanări RMN provenind de la 715 copii.
Pentru a valorifica la maximum aceste date, ei au utilizat o metodă numită „învăţare temporală”. Această tehnică antrenează AI să recunoască anumite tipare analizând modul în care imaginile cerebrale ale unui copil evoluează în timp după intervenţia chirurgicală, îmbunătăţind, astfel, capacitatea de a anticipa recidiva tumorală.
În mod obişnuit, modelele AI pentru imagistica medicală sunt antrenate să tragă concluzii pe baza unei singure examinări RMN. Totuşi, prin această tehnică inovatoare pentru domeniul imagisticii medicale, imaginile colectate pe parcursul timpului ajută algoritmul să prezică riscul de recurenţă a cancerului.
Pentru a dezvolta modelul, cercetătorii au antrenat mai întâi AI să ordoneze cronologic scanările RMN post-operatorii ale unui pacient, astfel încât să poată învăţa să recunoască modificările subtile care se produc. Ulterior, modelul a fost ajustat pentru a corela corect aceste modificări cu recurenţa tumorală, atunci când a fost cazul.
În cele din urmă, cercetătorii au constatat că noul model inteligent a estimat recurenţa gliomului de grad scăzut sau înalt la un an de la tratament, cu o acurateţe de 75-89%, un scor mult mai bun decât predicţiile bazate pe imagini individuale, care au o acurateţe de aproximativ 50%.
Alimentarea modelului inteligent cu mai multe imagini post-tratament a crescut acurateţea predicţiilor, iar îmbunătăţirea s-a stabilizat de la patru până la şase imagini.
Cercetătorii spun că este necesară validarea suplimentară în diverse contexte clinice înainte ca această tehnologie să poată fi aplicată pe scară largă.
Echipa speră să iniţieze studii clinice pentru a evalua dacă predicţiile bazate pe AI pot îmbunătăţi îngrijirea pacienţilor fie prin reducerea frecvenţei examenelor RMN pentru pacienţii cu risc scăzut, fie prin tratamente adjuvante timpurii pentru cei cu risc crescut.
Cercetările au fost publicate pe 24 aprilie în The New England Journal of Medicine AI.
