Das Johns Hopkins -Team entwickelt eine zuverlässigere KI für die frühzeitige Erkennung von Krebs

Zwei Studien unter der Leitung des Johns Hopkins Kimmel Cancer Center, des Ludwig Center und der Johns Hopkins Whiting School of Engineering -Forscher berichten über eine leistungsstarke neue Methode, die die Zuverlässigkeit und Genauigkeit der künstlichen Intelligenz (KI) für viele Anwendungen erheblich verbessert. Beispielsweise wenden sie die neue Methode auf eine frühzeitige Krebserkennung aus Blutproben an, die als flüssige Biopsie bezeichnet werden.

Eine Studie berichtet über die Entwicklung von Might (mehrdimensionale informierte verallgemeinerte Hypothesentests), eine KI -Methode, die die Forscher erstellt haben, um das hohe Vertrauen zu erfüllen, das für KI -Tools, die für die klinische Entscheidungsfindung verwendet werden, erforderlich sind. Um die Vorteile der Macht zu veranschaulichen, entwickelte sie einen Test für die Erkennung von Krebskrebs unter Verwendung zirkulierender zellfreier DNA (CCFDNA) -Fagmente des im Blut zirkulierenden DNA-Fragmente.

Eine Begleitstudie ergab, dass CCFDNA -Fragmentierungsmuster zum Nachweis von Krebs auch bei Patienten mit Autoimmun- und Gefäßerkrankungen auftreten. Um einen Test mit hoher Empfindlichkeit für Krebs zu entwickeln, aber falsch positive Ergebnisse reduziert, wurde die May erweitert, um Daten aus Autoimmun- und Gefäßerkrankungen einzubeziehen, die von Kollegen bei Johns Hopkins und anderen Institutionen, die diese Krankheiten behandeln und untersuchen, erhalten wurden.

Die Studien, die teilweise von den National Institutes of Health unterstützt werden, sollen am 18. August im August veröffentlicht werden Verfahren der Nationalen Akademie der Wissenschaften.

Ein verwandter Artikel, der von drei Forschern von Johns Hopkins, Pixar-Mitbegründer Ed Catmull, Ph.D., und Microsoft-Chefdatenwissenschaftlerin der KI für Good Lab Juan Lavista Ferres verfasst wurde KrebserdeckungEine Veröffentlichung der American Association for Cancer Research. Es wird die Herausforderungen der Einbeziehung der KI in die klinische Praxis erörtert, einschließlich der Herausforderungen, die von der Macht angegangen werden.

Möglicherweise verwenden Feinstunten selbst reale Daten und überprüft seine Genauigkeit auf verschiedenen Untergruppen der Daten unter Verwendung von Zehntausenden von Entscheidungsbäumen und können auf alle Bereiche angewendet werden, die Big Data verwenden, die von der Astronomie bis zur Zoologie reichen. Es ist besonders effektiv für die Analyse biomedizinischer Datensätze mit vielen Variablen, aber relativ wenigen Patientenproben, eine häufige Situation, in der traditionelle KI -Modelle häufig ins Stocken geraten.

In Tests unter Verwendung von Patientendaten konnten andere KI -Methoden sowohl in Bezug auf Empfindlichkeit als auch Konsistenz konsistent übertreffen. Es wurde auf das Blut von 1.000 Personen-352 Patienten mit fortgeschrittenen Krebsarten und 648 Personen ohne Krebs angewendet.

Für jede Stichprobe bewerteten die Forscher 44 verschiedene variable Sätze, die jeweils aus einer Reihe biologischer Merkmale wie DNA-Fragmentlängen oder chromosomalen Anomalien bestehen, und fanden heraus, dass aneuploidische Merkmale (eine abnormale Anzahl von Chromosomen) die beste Krebserkennung mit einer Sensitivität von 72% (eine abnormale Anzahl von Chromosomen) lieferte. Dieses Gleichgewicht ist in realen medizinischen Anwendungen von entscheidender Bedeutung, bei denen die Minimierung falscher Positives erforderlich ist, um nicht benötigte Verfahren zu vermeiden.

Das Macht gibt uns eine leistungsstarke Möglichkeit, die Unsicherheit zu messen und die Zuverlässigkeit zu erhöhen, insbesondere in Situationen, in denen die Stichprobengrößen begrenzt sind, die Datenkomplexität jedoch hoch sind. „

Joshua Vogelstein, PhD, Studienleiterforscher und Associate Professor, Biomedical Engineering, Johns Hopkins Medicine

Die Macht wurde auch auf einen Begleitalgorithmus mit dem Namen Comight erweitert, um festzustellen, ob die Kombination mehrerer variabler Sets die Erkennung von Krebs verbessern kann.

Die Forscher verwendeten im Zusammenhang mit Blutproben von 125 Patienten mit Brustkrebs im Frühstadium und 125 Patienten mit Bauchspeicheldrüsenkrebs im Frühstadium, die zusammen mit 500 Kontrollpersonen (Teilnehmer ohne Krebs) analysiert wurden. Während Bauchspeicheldrüsenkrebserkrankungen häufiger als Brustkrebserkrankungen festgestellt wurden, legte die Comight-Analyse darauf hin, dass Brustkrebs im Frühstadium von der Kombination mehrerer biologischer Signale profitieren könnte, was das Potenzial des Werkzeugs zur Anpassung von Erkennungsstrategien nach Krebstyp hervorhebt.

In the companion study, researchers Christopher Douville, PhD, assistant professor of oncology, Samuel Curtis, PhD, postdoctoral fellow in the Ludwig Center, and their teams serendipitously discovered that ccfDNA fragmentation signatures previously believed to be specific to individuals with cancer also occur in patients with other diseases, including autoimmune conditions such as lupus, systemic sclerosis and dermatomyositis, and Gefäßkrankheiten wie venöser Thromboembolie.

Bei Personen mit abnormalen Fragmentierungssignaturen fanden sie bei allen Patienten einen Anstieg der entzündlichen Biomarker, unabhängig davon, ob sie Autoimmunerkrankungen, Gefäßerkrankungen oder Krebs hatten. Ihre Ergebnisse deuten darauf hin, dass Entzündungssteuer als Krebs an sich für Fragmentierungssignale verantwortlich ist und die Bemühungen zur Verwendung von CCFDNA-Fragmentierung als für Krebs spezifischer Biomarker kompliziert.

Um die Herausforderung zu begegnen, Entzündungen für Krebs zu missbrauchen, fügte das Team Informationen hinzu, die für Entzündungen in seinen Trainingsdaten für May charakteristisch sind. Die erweiterte Version verringerte sich, die falsch-positiven Ergebnisse aus nicht krebsartigen Krankheiten jedoch nicht vollständig beseitigt.

„Unser Hauptziel war es, die biologischen Mechanismen weiter zu untersuchen, die für Fragmentierungssignaturen verantwortlich sind, von denen zuvor angenommen wurde, dass sie für Krebs spezifisch sind“, sagt Curtis. „Wenn sich das Feld zu komplexeren Biomarkern bewegt, ist das Verständnis der zugrunde liegenden biologischen Mechanismen, die zu den Ergebnissen führen, für ihre Interpretation von entscheidender Bedeutung, insbesondere, um falsch positive Ergebnisse zu vermeiden. Unsere neuen Daten deuten darauf hin, dass Patienten mit anderen Krankheiten als Krebs fälschlicherweise an Krebs angenommen werden können, sofern nicht angemessene Schutzmaßnahmen in die Tests aufgenommen werden.“

Fügt Douville hinzu: „Ein Silberstreifen dieser Studie ist, dass die Überarbeitung von MUCH zu einem separaten diagnostischen Test für entzündliche Erkrankungen führen könnte.“

Zusammen zeigen die Studien sowohl das Versprechen als auch die Komplexität der Entwicklung vertrauenswürdiger klinischer Technologien mit AI. In einem verwandten Editorial stellten die Forscher mehrere kritische Herausforderungen fest, die angegangen werden müssen, damit Tools wie möglicherweise vollständig in die klinische Praxis integriert werden können.

Sie identifizierten acht wichtige Hindernisse, um KI in die routinemäßige klinische Versorgung zu bringen. Insgesamt umfassen dies die falsche Erwartung, dass KI -Tools makellos sein müssen, bevor sie als nützlich angesehen werden. Die Notwendigkeit, Ergebnisse als Wahrscheinlichkeiten und nicht als einfache Antworten zu präsentieren; Stellen Sie sicher, dass AI-Vorhersagen die realen Wahrscheinlichkeiten entsprechen; Sicherstellen, dass die Ergebnisse reproduzierbar sind; Trainingsmodelle für verschiedene Populationen; Erklären, wie KI Entscheidungen trifft; Erkennen, wie sich die Testgenauigkeit ändern kann, wenn Krankheiten selten sind; und Vermeiden von übermäßiger Abhängigkeit von computergenerierten Empfehlungen.

„Könnte auf jedes Gebiet angewendet werden, in dem die Messung der Unsicherheit und das Vertrauen in die Zuverlässigkeit und die Reproduzierbarkeit von Ergebnissen der Schlüssel sind. Dies könnte in den Naturwissenschaften, Sozialwissenschaften oder medizinischen Wissenschaften sein. Forschung in allen Bereichen der Wissenschaft erfordert Vertrauen, dass das, was der Algorithmus ausgeht, real, reproduzierbar und zuverlässig ist“, sagt Joshua Vogelstein.

Die Forscher sagen, dass die mit AI-Technologien erzielten Ergebnisse als KI-informierte Daten angesehen werden sollten, die ergänzen können, aber nicht das klinische Urteil ersetzen können. Obwohl Might und Comight starke neue Instrumente zur Erkennung von Krebs und potenziell entzündliche und Gefäßerkrankungen erfassen, sagen sie, dass weitere klinische Studien und Validierung erforderlich sind, bevor solche Tests auf den klinischen Einsatz erweitert werden können.

„Trust in the result is essential, and now that there is a reliable, quantitative tool in MIGHT, we and other researchers can use it and focus our efforts on studying more patients and adding statistically meaningful features to our tests for earlier cancer detection,“ says Bert Vogelstein, MD, Clayton Professor of Oncology, co-director of the Ludwig Center, Howard Hughes Medical Institute investigator, and study co-leader.

Might und sein Begleitalgorithmus, Comight, sind jetzt öffentlich in Treeple.ai erhältlich.

Quellen: