Хотя ИИ помогает врачам просматривать изображения и находить аномалии, связанные с заболеванием, такие как клетки неправильной формы, было сложно разработать компьютерные модели, которые могли бы включать несколько типов данных. Исследователи из Стэнфордского медицинского университета разработали модель ИИ, способную включать визуальную и языковую информацию.
Объединение визуальной информации (микроскопические и рентгеновские снимки, КТ и МРТ) с текстом (заметки об обследовании, общение между врачами разных специальностей) является ключевым компонентом лечения рака.
После обучения на 50 млн медицинских изображений стандартных слайдов патологии и более чем 1 млрд текстов, связанных с патологией, новая модель превзошла стандартные методы в своей способности предсказывать прогнозы для тысяч людей с различными типами рака, определять, какие люди с раком легких или гастроэзофагеальной области, скорее всего, получат пользу от иммунотерапии, и определять людей с меланомой, у которых с наибольшей вероятностью произойдет рецидив рака.
Исследователи назвали модель MUSK, что означает мультимодальный трансформатор с унифицированным моделированием маски. Она представляет собой заметное отклонение от того, как искусственный интеллект в настоящее время используется в клинических условиях. Исследователи полагают, что она способна изменить уход за пациентами, назначаемый искусственным интеллектом.
«MUSK может точно предсказывать прогнозы для людей с различными видами и стадиями рака, — сказал Руйцзян Ли, доктор медицины, доцент кафедры радиационной онкологии. — Мы разработали MUSK, потому что в клинической практике врачи никогда не полагаются только на один тип данных для принятия клинических решений. Мы хотели использовать несколько типов данных, чтобы получить больше информации и более точные прогнозы относительно результатов лечения пациентов».
Хотя инструменты искусственного интеллекта все чаще используются в клинике, они в первую очередь предназначены для диагностики (показывают ли микроскопическое изображение или сканирование признаки рака), а не для прогнозирования — каков вероятный клинический исход у этого человека и какая терапия наиболее эффективна для него.
Частью проблемы является необходимость обучения моделей на больших объемах маркированных данных (например предметных стекол микроскопа среза легочной ткани с раковой опухолью) и парных данных (клинических заметок о пациенте, у которого была получена опухоль). Однако тщательно отобранные и аннотированные наборы данных трудно найти.
В терминах искусственного интеллекта MUSK — то, что называется базовой моделью. Базовые модели, предварительно обученные на огромных объемах данных, можно настраивать с помощью дополнительного обучения для выполнения определенных задач.
Поскольку исследователи разработали MUSK для использования непарных мультимодальных данных, которые не соответствуют традиционным требованиям для обучения искусственного интеллекта, пул данных, которые компьютер может использовать во время своего первоначального обучения, расширяется на несколько порядков.
С таким стартом любое последующее обучение выполняется с гораздо меньшими, более специализированными наборами данных. По сути MUSK — это готовый инструмент, который врачи могут настраивать, чтобы ответить на конкретные клинические вопросы.
«Самая большая неудовлетворенная клиническая потребность — это модели, которые врачи могут использовать для руководства лечением пациентов, — сказал Ли. — Нужен ли этому пациенту препарат? Или вместо этого нам следует сосредоточиться на другом типе терапии? В настоящее время врачи используют такую информацию, как стадия заболевания и конкретные гены или белки, чтобы принимать эти решения, но это не всегда точно».
Исследователи собрали микроскопические слайды срезов тканей, соответствующие отчеты о патологии и данные последующего наблюдения, включая то, как пациенты себя чувствовали, из национальной базы данных The Cancer Genome Atlas для людей с 16 основными типами рака, включая рак груди, легких, прямой и толстой кишки, поджелудочной железы, почек, мочевого пузыря, головы и шеи.
Они использовали эту информацию, чтобы обучить MUSK предсказывать выживаемость при определенных заболеваниях или процент людей, которые не умерли от определенного заболевания в течение определенного периода времени.
Для всех типов рака MUSK точно предсказывал выживаемость пациента, связанную с заболеванием, в 75% случаев. Напротив, стандартные прогнозы, основанные на стадии рака человека и других клинических факторах риска, были верны в 64% случаев.
В другом примере исследователи обучили модель использовать тысячи бит информации, чтобы предсказать, каким пациентам с раком легких или рака желудка и пищевода иммунотерапия, скорее всего, принесет пользу.
«В настоящее время основное решение о том, давать ли пациенту определенный тип иммунотерапии, зависит от того, экспрессирует ли опухоль этого человека белок, называемый PD-L1, — сказал Ли. — Это биомаркер, состоящий всего из одного белка».
«Напротив, если мы можем использовать искусственный интеллект для оценки сотен или тысяч битов многих типов данных, включая визуализацию тканей, а также демографические данные пациента, историю болезни, прошлые виды лечения и лабораторные анализы, собранные из клинических записей, мы можем гораздо точнее определить, кому это может быть полезно», — добавил он.
Для немелкоклеточного рака легких MUSK правильно идентифицировал пациентов, которым иммунотерапия помогла примерно в 77% случаев. Напротив, стандартный метод прогнозирования ответа на иммунотерапию на основе экспрессии PD-L1 был верен только примерно в 61% случаев.
Похожие результаты были получены, когда исследователи обучили модель определять, у каких людей с меланомой вероятность рецидива в течение пяти лет после их первоначального лечения наиболее высока. В этом случае модель была верна примерно в 83% случаев, что примерно на 12% точнее прогнозов, полученных с помощью других базовых моделей.
«Уникальность MUSK заключается в возможности включать непарные мультимодальные данные в предварительную подготовку, что существенно увеличивает масштаб данных по сравнению с парными данными, требуемыми другими моделями, — сказал Ли. — Мы заметили, что для всех задач клинического прогнозирования модели, которые интегрируют несколько типов данных, последовательно превосходят те, которые основаны только на данных изображений или текстов».
«Использование этих типов непарных мультимодальных данных с моделями искусственного интеллекта, такими как MUSK, станет важным шагом вперед в способности искусственного интеллекта помогать врачам улучшать уход за пациентами», — заключил он.
Использование ИИ набирает популярность в медицинской сфере. Исследователи из Каролинского института использовали искусственный интеллект для анализа МРТ-сканирования людей в возрасте 70 лет. Результаты исследования показали, что такие факторы, как воспаление и высокий уровень сахара в крови, способствуют преждевременному старению мозга.