A Stanford Medicine AI modellje pontosan megjósolja a rák prognózisát, a kezelés hatékonyságát

A Stanford Medicine kifejlesztett egy mesterséges intelligencia modellt, amely pontosan megjósolhatja a rákos betegek prognózisát és a kezelésre adott válaszait. A modell a maga nemében elsőként hasznosít többféle képalkotási és nyelvi adatot, és már ígéretesnek bizonyult a rák számos formájával szemben, beleértve a tüdőrákot, a gastrooesophagealis[1] rákot és a melanómát.

Az elmúlt néhány évben a kutatók számos kísérleti AI-modellt hoztak létre, amelyek a rák olyan apró jeleit vizsgálják, amelyeket az orvosok és a radiológusok könnyen figyelmen kívül hagyhatnak. A korai szakaszban ezek a modellek rendkívül hatékonyak. A Sybil, az MIT és a Massachusetts General Cancer Center által kifejlesztett modell 86-94% -os pontossággal képes megjósolni a tüdőrák egy éven belüli kialakulását, míg a Harvard Medical School hasnyálmirigyrák előrejelzési modellje 88% -os pontossággal képes feltérképezni a beteg hároméves prognózisát. Egy másik MIT modell még az emlőrák legkockázatosabb formáinak (ductus carcinoma in situ – DCIS) jeleit is észleli, hogy megvédje a betegeket a túlkezeléstől. (Sok egészségügyi szakember a „jobb félni, mint megijedni” szemléletet alkalmazza, és túlkezeli pácienseit, miözben a betegeknek fogalmuk sincs arról, hogy az emlőrák adott formája életveszélyessé válik-e.)

Bármennyire is lenyűgözőek ezek a modellek, van egy közös hiányosságuk: egyszerre csak egy adatformát képesek elemezni. Minden modell megvizsgálja az MRI- vagy CT-vizsgálatokat, a röntgenképeket vagy a mikroszkópos diákat, majd azonosítja az adatkészleten belüli aggodalomra okot adó területeket. Még a Microsoft multidiagnosztikus AI-modellje is, amely a képalkotási adatok kilenc formáját fogadja el, csak külön tudja vizsgálni ezeket a képalkotási formátumokat.

Ezt a problémát orvosolja a Stanford Medicine modellje, a MUSK, amely egyszerre többféle adatot képes vizsgálni. A Nature számára készített tanulmányban a kutatók azt írják, hogy a MUSK-ot 50 millió patológiai képre és 1 milliárd szöveges tartalommal képezték ki több mint 11 500 betegtől. A képek a rák különböző formáit ábrázolják röntgenfelvételeken, mikroszkópián, CT- és MRI-vizsgálatokon, a szövegek nyelvi alapú orvosi adatokat képviselnek – vizsgajegyzeteket, szakemberek közötti kommunikációt stb. -, amelyek különböző rákdiagnózisokhoz kapcsolódnak. Ez azt is lehetővé teszi, hogy a MUSK segítse az orvosokat a prognózisok előrejelzésében, nemcsak a diagnózisok felállításában, amire a legtöbb orvosi AI-modell összpontosít.

A Stanford Medicine közleménye szerint a modell a 16 fő ráktípusra, amelyekre a MUSK-ot kiképezték, az esetek 75%-ában képes pontosan megjósolni a betegek betegségspecifikus túlélését. Ez 11%-kal pontosabb az orvosok becsléseihez képest, ami 64% körül mozog. A MUSK emellett az esetek 77%-ában helyesen azonosította, hogy mely nem kissejtes tüdőrákos betegeknél lenne előnyös az immunterápia (ez is felülmúlja az orvosok 61%-os pontossági arányát), és 83%-os pontossággal megjósolta, hogy mely melanomás betegeknél a legvalószínűbb a kiújulás az első kezelést követő 5 éven belül.

„A legnagyobb klinikai igény olyan modellek iránt mutatkozik, amelyek segítségével az orvosok pontosítani tudják a betegek kezelését” – mondta Ruijiang Li, a tanulmány vezető szerzője, sugáronkológus. „Szüksége van-e ennek a betegnek erre a gyógyszerre? Vagy inkább egy másik típusú terápiára kellene összpontosítanunk? Ha mesterséges intelligenciát használunk sokféle adat több száz vagy ezer bitjének értékelésére, beleértve a szöveti képalkotást, valamint a beteg demográfiai adatait, kórtörténetét, korábbi kezeléseit, a klinikai feljegyzéseket, a laboratóriumi vizsgálatokat, akkor sokkal pontosabban meg tudjuk határozni, hogy kinek mire van szüksége.”

(Forrás: msn.com)


[1] A gyomorégés vagy a gastrooesophagealis reflux (GER) emésztési probléma, amely egyben savasság vagy emésztési zavar is. Akkor fordul elő, ha a gyomorban képződött sav visszajut a nyelőcsőbe, és égő érzést okoz a mellkasban vagy a gyomor felső részén.