Η τεχνητή νοημοσύνη προβλέπει την υποτροπή του παιδικού γλοιώματος χρησιμοποιώντας πολλαπλές σαρώσεις εγκεφάλου

Η τεχνητή νοημοσύνη προβλέπει την υποτροπή του παιδικού γλοιώματος χρησιμοποιώντας πολλαπλές σαρώσεις εγκεφάλου

Η τεχνητή νοημοσύνη (AI) δείχνει τεράστια υπόσχεση για την ανάλυση μεγάλων συνόλων δεδομένων ιατρικής απεικόνισης και τον εντοπισμό προτύπων που μπορεί να παραλείψουν οι ανθρώπινοι παρατηρητές. Η ερμηνεία των σαρώσεων εγκεφάλου με τη βοήθεια της τεχνητής νοημοσύνης μπορεί να βοηθήσει στη βελτίωση της φροντίδας για παιδιά με όγκους στον εγκέφαλο που ονομάζονται γλοιώματα, τα οποία είναι συνήθως θεραπεύσιμα αλλά διαφέρουν ως προς τον κίνδυνο υποτροπής. Ερευνητές από το General Brigham και το προσωπικό του Boston Children's Hospital και του Dana-Farber/Boston Children's Cancer and Blood Disorders Center έχουν εκπαιδεύσει αλγόριθμους βαθιάς μάθησης να χρησιμοποιούν διαδοχική τεχνολογία εγκεφάλου για να αναλύουν σαρώσεις εγκεφάλου μετά τη θεραπεία για να επισημαίνουν ασθενείς που διατρέχουν κίνδυνο υποτροπής καρκίνου. Τα αποτελέσματά σας θα δημοσιευθούν στοThe New England Journal of Medicine AI.

Πολλά παιδιατρικά γλοιώματα θεραπεύονται μόνο με χειρουργική επέμβαση, αλλά όταν εμφανιστούν υποτροπές μπορεί να είναι καταστροφικές. Είναι πολύ δύσκολο να προβλεφθεί ποιος μπορεί να έχει υποτροπή. Ως εκ τούτου, οι ασθενείς θα υποβάλλονται σε συχνή παρακολούθηση με μαγνητική τομογραφία (MR) για πολλά χρόνια, μια διαδικασία που μπορεί να είναι αγχωτική και ενοχλητική για παιδιά και οικογένειες. Χρειαζόμαστε καλύτερα εργαλεία για να προσδιορίσουμε έγκαιρα ποιοι ασθενείς διατρέχουν τον μεγαλύτερο κίνδυνο υποτροπής. "

Benjamin Kann, MD, αντίστοιχος συγγραφέας του Προγράμματος Artificial Intelligence in Medicine (AIM) στο Mass General Brigham και στο Τμήμα Ογκολογίας Ακτινοβολίας στο Brigham and Women's Hospital

Οι μελέτες σχετικά σπάνιων ασθενειών όπως οι παιδικοί καρκίνοι μπορεί να αμφισβητηθούν από περιορισμένα δεδομένα. Αυτή η μελέτη, που χρηματοδοτήθηκε εν μέρει από τα Εθνικά Ινστιτούτα Υγείας, ανέφερε θεσμικές συνεργασίες σε ολόκληρη τη χώρα για τη συλλογή σχεδόν 4.000 μαγνητική τομογραφία από 715 παιδιατρικούς ασθενείς. Για να μεγιστοποιήσουν αυτό που η τεχνητή νοημοσύνη θα μπορούσε να «μάθει» από τις σαρώσεις εγκεφάλου ενός ασθενούς και να προβλέψει την υποτροπή με μεγαλύτερη ακρίβεια, οι ερευνητές χρησιμοποίησαν μια τεχνική που ονομάζεται χρονική μάθηση, η οποία εκπαιδεύει το μοντέλο να συνθέτει αποτελέσματα από πολλαπλές σαρώσεις εγκεφάλου που ελήφθησαν κατά τη διάρκεια μερικών μηνών μετά την επέμβαση.

Συνήθως, τα μοντέλα τεχνητής νοημοσύνης ιατρικής απεικόνισης εκπαιδεύονται να εξάγουν συμπεράσματα από μεμονωμένες σαρώσεις. Χρησιμοποιώντας τη χρονική μάθηση, που δεν χρησιμοποιήθηκε προηγουμένως για έρευνα τεχνητής νοημοσύνης για ιατρική απεικόνιση, οι εικόνες με την πάροδο του χρόνου ενημερώνουν την πρόβλεψη του αλγορίθμου για την υποτροπή του καρκίνου. Για να αναπτύξουν το μοντέλο χρονικής μάθησης, οι ερευνητές εκπαίδευσαν πρώτα το μοντέλο να ταξινομεί τις μετεγχειρητικές σαρώσεις μαγνητικής τομογραφίας ενός ασθενούς με χρονολογική σειρά, έτσι ώστε το μοντέλο να μπορεί να μάθει να ανιχνεύει ανεπαίσθητες αλλαγές. Από εκεί, οι ερευνητές βελτίωσαν το μοντέλο για να συσχετίσουν σωστά τις αλλαγές, εάν είναι απαραίτητο, με την επακόλουθη υποτροπή του καρκίνου.

Τελικά, οι ερευνητές διαπίστωσαν ότι το μοντέλο χρονικής μάθησης είχε προβλέψει επανεμφάνιση γλοιώματος χαμηλού ή υψηλού βαθμού κατά ένα χρόνο μετά τη θεραπεία με ακρίβεια 75-89 τοις εκατό - σημαντικά καλύτερη από την ακρίβεια χρησιμοποιώντας προβλέψεις με βάση μεμονωμένες εικόνες, που ήταν περίπου 50 τοις εκατό (όχι καλύτερη από την τύχη). Η παροχή στο AI εικόνων από πρόσθετα χρονικά σημεία μετά τη θεραπεία αύξησε την προγνωστική ακρίβεια του μοντέλου, αλλά απαιτήθηκαν μόνο τέσσερις έως έξι εικόνες πριν εφαρμοστεί αυτό το πλατό βελτίωσης.

Οι ερευνητές προειδοποιούν ότι απαιτείται περαιτέρω επικύρωση μέσω πρόσθετων ρυθμίσεων πριν από την κλινική χρήση. Τελικά, ελπίζουν να ξεκινήσουν κλινικές δοκιμές για να προσδιορίσουν εάν οι προβλέψεις κινδύνου βάσει τεχνητής νοημοσύνης μπορούν να οδηγήσουν σε βελτιώσεις στην περίθαλψη—είτε μειώνοντας τη συχνότητα απεικόνισης για τους ασθενείς χαμηλότερου κινδύνου είτε αντιμετωπίζοντας προληπτικά ασθενείς υψηλού κινδύνου με στοχευμένες επικουρικές θεραπείες.

«Δείξαμε ότι η τεχνητή νοημοσύνη είναι ικανή να αναλύει και να κάνει υπάρχουσες προβλέψεις από πολλαπλές εικόνες, όχι μόνο μεμονωμένες σαρώσεις», δήλωσε ο πρώτος συγγραφέας Divyanshu Tak, MS, του προγράμματος AIM στο Mass General Brigham και του Τμήματος Ογκολογίας Ακτινοβολίας στο Brigham. «Αυτή η τεχνική μπορεί να εφαρμοστεί σε πολλά περιβάλλοντα όπου οι ασθενείς λαμβάνουν σειριακή, διαμήκη απεικόνιση και είμαστε ενθουσιασμένοι να δούμε τι θα εμπνεύσει αυτό το έργο».

Πηγές: