AI prognozē bērnu gliomas atkārtošanos, izmantojot vairākus smadzeņu skenējumus

AI prognozē bērnu gliomas atkārtošanos, izmantojot vairākus smadzeņu skenējumus

Mākslīgais intelekts (AI) parāda milzīgu solījumu, lai analizētu lielas medicīniskās attēlveidošanas datu kopas un identificētu modeļus, kurus cilvēku novērotāji var nepamanīt. AI atbalstīta smadzeņu skenēšanas interpretācija var palīdzēt uzlabot aprūpi bērniem ar smadzeņu audzējiem, ko sauc par gliomām, kuras parasti ir ārstējamas, bet kurām ir atšķirīgs atkārtošanās risks. Pētnieki no ģenerāļa Brigama un Bostonas bērnu slimnīcas un Dana-Farber/Bostonas bērnu vēža un asins slimību centra darbinieki ir apmācījuši dziļās mācīšanās algoritmus, lai izmantotu secīgu smadzeņu tehnoloģiju, lai analizētu smadzeņu skenējumus pēc ārstēšanas, lai atzīmētu pacientus, kuriem ir vēža atkārtošanās risks. Jūsu rezultāti tiks publicētiNew England Journal of Medicine AI.

Daudzas bērnu gliomas ir ārstējamas tikai ar operāciju, bet, ja rodas recidīvi, tās var būt postošas. Ir ļoti grūti paredzēt, kam var būt recidīvs. Tādēļ pacienti daudzus gadus tiks bieži uzraudzīti ar magnētiskās rezonanses (MR) attēlveidošanu, kas bērniem un ģimenēm var radīt stresu un satraukumu. Mums ir vajadzīgi labāki instrumenti, lai laikus noteiktu, kuriem pacientiem ir vislielākais atkārtošanās risks. "

Benjamin Kann, MD, Mākslīgā intelekta medicīnā (AIM) programmas atbilstošais autors Mass General Brigham un Radiācijas onkoloģijas nodaļa Brigham and Women's Hospital

Ierobežoti dati var apšaubīt salīdzinoši retu slimību, piemēram, bērnu vēža, pētījumus. Šis pētījums, ko daļēji finansēja Nacionālie veselības institūti, ziņoja par institucionālajām partnerībām visā valstī, lai savāktu gandrīz 4000 MR skenējumu no 715 pediatrijas pacientiem. Lai maksimāli palielinātu to, ko AI varētu "mācīties" no pacienta smadzeņu skenēšanas un precīzāk prognozētu atkārtošanos, pētnieki izmantoja metodi, ko sauc par laika mācīšanos, kas apmāca modeli, lai sintezētu rezultātus no vairākiem smadzeņu skenēšanas gadījumiem, kas veikti dažus mēnešus pēc operācijas.

Parasti medicīniskās attēlveidošanas AI modeļi ir apmācīti izdarīt secinājumus no atsevišķiem skenēšanas gadījumiem. Izmantojot laika mācīšanos, kas iepriekš netika izmantota mākslīgā intelekta pētījumiem medicīniskai attēlveidošanai, attēli laika gaitā informē algoritmu par vēža recidīvu. Lai izstrādātu laika mācīšanās modeli, pētnieki vispirms apmācīja modeli, lai hronoloģiskā secībā sakārtotu pacienta pēcoperācijas MR skenēšanu, lai modelis varētu iemācīties atklāt smalkas izmaiņas. Pēc tam pētnieki precizēja modeli, lai vajadzības gadījumā pareizi saistītu izmaiņas ar sekojošu vēža recidīvu.

Galu galā pētnieki atklāja, ka laika mācīšanās modelis bija paredzējis zemas vai augstas pakāpes gliomas atkārtošanos vienu gadu pēc ārstēšanas ar 75–89 procentu precizitāti, kas ir ievērojami labāka nekā precizitāte, izmantojot prognozes, kas balstītas uz atsevišķiem attēliem, kas bija aptuveni 50 procenti (ne labāk kā iespēja). AI nodrošināšana ar attēliem no papildu laika punktiem pēc apstrādes palielināja modeļa paredzamo precizitāti, taču pirms šī uzlabojuma plato piemērošanas bija nepieciešami tikai četri līdz seši attēli.

Pētnieki brīdina, ka pirms klīniskās lietošanas ir nepieciešama turpmāka validācija, izmantojot papildu iestatījumus. Galu galā viņi cer uzsākt klīniskos izmēģinājumus, lai noteiktu, vai ar mākslīgo mākslīgo intelektu balstītas riska prognozes var uzlabot aprūpi — vai nu samazinot attēlveidošanas biežumu zemākā riska pacientiem vai profilaktiski ārstējot augsta riska pacientus ar mērķtiecīgu adjuvantu terapiju.

"Mēs esam parādījuši, ka mākslīgais intelekts spēj analizēt un izdarīt esošās prognozes no vairākiem attēliem, nevis tikai no atsevišķiem skenēšanas gadījumiem," sacīja pirmais autors Divjanšu Taks, MS no Mass General Brigham un Brigamas Radiācijas onkoloģijas departamenta AIM programmas. "Šo paņēmienu var izmantot daudzos apstākļos, kur pacienti saņem sērijveida, garenisko attēlveidošanu, un mēs esam priecīgi redzēt, ko šis projekts iedvesmos."

Avoti: