AI prognozuoja vaikų gliomos pasikartojimą naudodamas kelis smegenų nuskaitymus

AI prognozuoja vaikų gliomos pasikartojimą naudodamas kelis smegenų nuskaitymus

Dirbtinis intelektas (AI) rodo didžiulį pažadą analizuoti didelius medicininio vaizdo duomenų rinkinius ir nustatyti modelius, kurių gali nepastebėti žmonės. AI padedamas smegenų skenavimo interpretavimas gali padėti pagerinti vaikų, sergančių smegenų augliais, vadinamais gliomomis, kurie paprastai yra gydomi, tačiau jų pasikartojimo rizika skiriasi, priežiūrą. Tyrėjai iš Generolo Brighamo ir Bostono vaikų ligoninės bei Dana-Farber/Bostono vaikų vėžio ir kraujo sutrikimų centro darbuotojai apmokė gilaus mokymosi algoritmus, kad būtų galima naudoti nuoseklią smegenų technologiją, kad būtų galima analizuoti smegenų skenavimus po gydymo, kad būtų galima pažymėti pacientams, kuriems gresia vėžio pasikartojimo rizika. Jūsų rezultatai bus paskelbtiNaujosios Anglijos medicinos žurnalas AI.

Daugelis vaikų gliomų yra išgydomos tik chirurginiu būdu, tačiau kai atsiranda atkryčių, jos gali būti pražūtingos. Labai sunku numatyti, kam gali pasikartoti. Todėl daugelį metų pacientai bus dažnai stebimi naudojant magnetinio rezonanso (MR) tomografiją, o tai vaikams ir šeimoms gali sukelti stresą ir nerimą. Mums reikia geresnių priemonių, kad galėtume anksti nustatyti, kuriems pacientams gresia didžiausia pasikartojimo rizika. “

Benjamin Kann, MD, atitinkamas Dirbtinio intelekto medicinoje (AIM) programos Mass General Brigham ir Brighamo ir moterų ligoninės Radiacinės onkologijos skyriaus autorius.

Gana retų ligų, tokių kaip vaikų vėžys, tyrimams gali būti paneigti riboti duomenys. Šis tyrimas, kurį iš dalies finansavo Nacionaliniai sveikatos institutai, pranešė apie institucinę partnerystę visoje šalyje, siekiant surinkti beveik 4000 MR tyrimų iš 715 vaikų. Siekdami maksimaliai padidinti tai, ko dirbtinis intelektas galėtų „pasimokti“ iš paciento smegenų skenavimo ir tiksliau prognozuoti pasikartojimą, mokslininkai naudojo techniką, vadinamą laiko mokymusi, kuri treniruoja modelį, kad būtų galima susintetinti kelių smegenų nuskaitymų, paimtų per kelis mėnesius po operacijos, rezultatus.

Paprastai medicininio vaizdo AI modeliai yra mokomi daryti išvadas iš atskirų nuskaitymų. Naudojant laikinąjį mokymąsi, anksčiau nenaudotą dirbtinio intelekto tyrimams medicininiam vaizdavimui, vaizdai laikui bėgant informuoja apie algoritmo vėžio pasikartojimo prognozę. Norėdami sukurti laikino mokymosi modelį, mokslininkai pirmiausia apmokė modelį, kad būtų galima sekti paciento pooperacinius MR skenavimus chronologine tvarka, kad modelis galėtų išmokti aptikti subtilius pokyčius. Iš ten mokslininkai patikslino modelį, kad prireikus teisingai susietų pokyčius su vėlesniu vėžio pasikartojimu.

Galiausiai mokslininkai išsiaiškino, kad laikinojo mokymosi modelis numatė žemo ar aukšto laipsnio gliomos pasikartojimą praėjus vieneriems metams po gydymo 75–89 procentų tikslumu – žymiai geriau nei tikslumas naudojant prognozes, pagrįstas atskirais vaizdais, kuris buvo maždaug 50 procentų (ne geriau nei atsitiktinumas). Teikiant dirbtinio intelekto vaizdus iš papildomų laiko taškų po gydymo, padidėjo modelio nuspėjamasis tikslumas, tačiau prieš taikant šį patobulinimo plotą prireikė tik keturių iki šešių vaizdų.

Tyrėjai įspėja, kad prieš klinikinį naudojimą būtina atlikti papildomą patvirtinimą naudojant papildomus nustatymus. Galiausiai jie tikisi pradėti klinikinius tyrimus, kad nustatytų, ar AI pagrįstos rizikos prognozės gali padėti pagerinti priežiūrą – ar sumažinus mažiausios rizikos pacientų vaizdavimo dažnumą, ar prevenciškai gydant didelės rizikos pacientus taikant tikslinę adjuvantinę terapiją.

„Mes parodėme, kad dirbtinis intelektas gali analizuoti ir daryti esamas prognozes iš kelių vaizdų, o ne tik iš pavienių nuskaitymų“, – sakė pirmasis autorius Divyanshu Tak, MS, iš AIM programos Mass General Brigham ir Radiacinės onkologijos departamente Brigham. "Šis metodas gali būti taikomas daugelyje nustatymų, kur pacientai gauna serijinį, išilginį vaizdą, ir mes džiaugiamės galėdami pamatyti, ką šis projektas įkvėps."

Šaltiniai: