A mesterséges intelligencia több agyi vizsgálat segítségével előrejelzi a gyermekkori glióma kiújulását

A mesterséges intelligencia több agyi vizsgálat segítségével előrejelzi a gyermekkori glióma kiújulását

A mesterséges intelligencia (AI) óriási ígéretet mutat a nagy orvosi képalkotó adatkészletek elemzésében és az emberi megfigyelők által esetleg figyelmen kívül hagyott minták azonosításában. Az agyi szkennelések mesterséges intelligencia által támogatott értelmezése javíthatja a gliómáknak nevezett agydaganatokban szenvedő gyermekek ellátását, amelyek általában kezelhetők, de a kiújulás kockázata eltérő. Brigham tábornok kutatói, valamint a Boston Children's Hospital és a Dana-Farber/Boston Gyermekrák és Vérbetegségek Központja munkatársai mély tanulási algoritmusokat képeztek ki, amelyek segítségével szekvenciális agytechnológiát alkalmaznak a kezelés utáni agyi szkennelések elemzésére, hogy jelezzék a rák kiújulásának kockázatát. Eredményeit a következő helyen tesszük közzéA New England Journal of Medicine AI.

Sok gyermekkori glióma önmagában sebészeti beavatkozással gyógyítható, de ha visszaesik, akkor pusztító hatásúak lehetnek. Nagyon nehéz megjósolni, hogy kinek lehet a kiújulása. Ezért a betegeket sok éven át gyakran követik mágneses rezonancia (MR) képalkotással, amely megterhelő és szorongató lehet a gyermekek és a családok számára. Jobb eszközökre van szükségünk annak korai felismeréséhez, hogy mely betegeknél van a legnagyobb a kiújulás kockázata. "

Benjamin Kann, MD, az Artificial Intelligence in Medicine (AIM) program megfelelő szerzője a Mass General Brigham-nél és a Brigham and Women's Hospital Sugár onkológiai Osztályának

A viszonylag ritka betegségek, például a gyermekkori rákos megbetegedések vizsgálatait korlátozott adatok vitathatják. Ez a tanulmány, amelyet részben az Országos Egészségügyi Intézet finanszírozott, országszerte intézményi együttműködésekről számolt be, amelyek során közel 4000 MR-vizsgálatot gyűjtöttek össze 715 gyermekbetegtől. A kutatók az időbeli tanulásnak nevezett technikát alkalmazták annak érdekében, hogy maximalizálják azt, amit a mesterséges intelligencia „tanulhat” a páciens agyvizsgálataiból, és pontosabban megjósolhatták a kiújulást, amely arra tanítja a modellt, hogy szintetizálja a műtét után néhány hónappal végzett agyi szkennelés eredményeit.

Az orvosi képalkotó mesterséges intelligencia modelleket általában arra tanítják, hogy következtetéseket vonjanak le az egyes szkennelésekből. Időbeli tanulást használva, amelyet korábban nem használtak mesterséges intelligencia kutatáshoz orvosi képalkotáshoz, a képek idővel tájékoztatják az algoritmus előrejelzését a rák kiújulására vonatkozóan. Az időbeli tanulási modell kidolgozásához a kutatók először arra képezték ki a modellt, hogy a páciens műtét utáni MR-vizsgálatait időrendi sorrendben szekvenciálja, hogy a modell megtanulhassa észlelni a finom változásokat. Innentől kezdve a kutatók finomhangolták a modellt, hogy szükség esetén megfelelően társítsák a változásokat a későbbi rák kiújulásához.

Végül a kutatók azt találták, hogy az időbeli tanulási modell 75-89 százalékos pontossággal jelezte előre az alacsony vagy magas fokú glióma kiújulását egy évvel a kezelés után – ez lényegesen jobb, mint az egyéni képeken alapuló előrejelzések pontossága, amely körülbelül 50 százalék volt (nem jobb, mint a véletlen). A mesterséges intelligencia kezelés utáni további időpontokból származó képekkel való ellátása növelte a modell prediktív pontosságát, de csak négy-hat képre volt szükség ahhoz, hogy ezt a javulási platót alkalmazzák.

A kutatók arra figyelmeztetnek, hogy a klinikai használat előtt további beállításokkal további validálásra van szükség. Végső soron azt remélik, hogy klinikai vizsgálatokat indítanak annak megállapítására, hogy a mesterséges intelligencia által támasztott kockázati előrejelzések vezethetnek-e az ellátás javulásához – akár a legalacsonyabb kockázatú betegek képalkotó gyakoriságának csökkentésével, akár a magas kockázatú betegek célzott adjuváns terápiákkal történő megelőző kezelésével.

„Megmutattuk, hogy a mesterséges intelligencia képes több kép elemzésére és létező előrejelzések készítésére, nem csupán egyetlen szkennelésre” – mondta Divyanshu Tak, MS, a Mass General Brigham és a Brigham Sugár Onkológiai Osztályának AIM programjának első szerzője. "Ez a technika számos olyan helyzetben alkalmazható, ahol a betegek sorozatos, longitudinális képalkotást kapnak, és izgatottan várjuk, hogy ez a projekt mit fog inspirálni."

Források: