Sztuczna inteligencja przewiduje nawrót glejaka u dzieci na podstawie wielu skanów mózgu

Sztuczna inteligencja przewiduje nawrót glejaka u dzieci na podstawie wielu skanów mózgu

Sztuczna inteligencja (AI) jest niezwykle obiecująca w zakresie analizowania dużych zbiorów danych z obrazowania medycznego i identyfikowania wzorców, które mogą zostać przeoczone przez ludzkich obserwatorów. Interpretacja skanów mózgu wspomagana sztuczną inteligencją może pomóc w poprawie opieki nad dziećmi z guzami mózgu zwanymi glejakami, które zazwyczaj można leczyć, ale różnią się ryzykiem nawrotu. Badacze z General Brigham oraz pracownicy Boston Children's Hospital i Dana-Farber/Boston Children's Cancer and Blood Disorders Center przeszkolili algorytmy głębokiego uczenia się, aby wykorzystywać technologię sekwencyjnego mózgu do analizowania skanów mózgu po leczeniu w celu oznaczania pacjentów obarczonych ryzykiem nawrotu raka. Twoje wyniki zostaną opublikowane wNew England Journal of Medicine AI.

Wiele glejaków u dzieci można wyleczyć samą operacją, ale w przypadku nawrotów mogą one być druzgocące. Bardzo trudno jest przewidzieć, u kogo może wystąpić nawrót. Dlatego też przez wiele lat pacjenci będą poddawani częstym badaniom kontrolnym za pomocą rezonansu magnetycznego (MR), co może być stresujące i niepokojące dla dzieci i rodzin. Potrzebujemy lepszych narzędzi, aby wcześnie identyfikować pacjentów, u których ryzyko nawrotu jest największe. „

Benjamin Kann, lekarz medycyny, autor korespondent programu sztucznej inteligencji w medycynie (AIM) w Mass General Brigham i na oddziale radioterapii onkologicznej w Brigham and Women's Hospital

Badania dotyczące stosunkowo rzadkich chorób, takich jak nowotwory u dzieci, mogą być kwestionowane przez ograniczone dane. Badanie to, częściowo finansowane przez Narodowy Instytut Zdrowia, wykazało partnerstwa instytucjonalne w całym kraju mające na celu zebranie prawie 4000 skanów MR od 715 pacjentów pediatrycznych. Aby zmaksymalizować to, czego sztuczna inteligencja może „nauczyć się” na podstawie skanów mózgu pacjenta i dokładniej przewidzieć nawrót choroby, badacze zastosowali technikę zwaną uczeniem czasowym, która uczy model syntezy wyników z wielu skanów mózgu wykonanych w ciągu kilku miesięcy po operacji.

Zazwyczaj modele AI obrazowania medycznego są szkolone w celu wyciągania wniosków z poszczególnych skanów. Wykorzystując uczenie się temporalne, które nie było wcześniej wykorzystywane w badaniach nad sztuczną inteligencją w obrazowaniu medycznym, obrazy w czasie pozwalają algorytmowi przewidywać nawrót raka. Aby opracować model uczenia się czasowego, badacze najpierw przeszkolili go tak, aby sekwencjonował pooperacyjne skany MR pacjenta w porządku chronologicznym, aby model mógł nauczyć się wykrywać subtelne zmiany. Na tej podstawie naukowcy udoskonalili model, aby w razie potrzeby prawidłowo powiązać zmiany z późniejszym nawrotem nowotworu.

Ostatecznie badacze odkryli, że model uczenia się czasowego przewidywał nawrót glejaka o niskim lub wysokim stopniu złośliwości w ciągu jednego roku od leczenia z dokładnością 75–89%, czyli znacznie lepszą niż dokładność przewidywań opartych na pojedynczych obrazach, która wynosiła około 50% (nie lepiej niż przypadek). Dostarczenie sztucznej inteligencji obrazów z dodatkowych punktów czasowych po leczeniu zwiększyło dokładność predykcyjną modelu, ale do zastosowania tego plateau poprawy potrzeba było tylko czterech do sześciu obrazów.

Naukowcy ostrzegają, że przed zastosowaniem klinicznym wymagana jest dalsza weryfikacja za pomocą dodatkowych ustawień. Docelowo mają nadzieję rozpocząć badania kliniczne w celu ustalenia, czy przewidywanie ryzyka oparte na sztucznej inteligencji może prowadzić do poprawy opieki – czy to poprzez zmniejszenie częstotliwości obrazowania u pacjentów z najniższym ryzykiem, czy też zapobiegawcze leczenie pacjentów z grupy wysokiego ryzyka celowanymi terapiami uzupełniającymi.

„Pokazaliśmy, że sztuczna inteligencja jest w stanie analizować i formułować istniejące przewidywania na podstawie wielu obrazów, a nie tylko pojedynczych skanów” – powiedział pierwszy autor Divyanshu Tak, MS, z programu AIM w Mass General Brigham i na Wydziale Radioterapii Onkologicznej w Brigham. „Technikę tę można zastosować w wielu sytuacjach, w których pacjenci otrzymują seryjne obrazowanie podłużne. Nie możemy się już doczekać, co zainspiruje ten projekt”.

Źródła: