Врачи из Гарварда разработали ИИ, аналогичный ChatGPT, который способен диагностировать рак

Исследователи из Медицинской школы Гарварда разработали многофункциональную систему ИИ, которая может предлагать варианты лечения и прогнозировать шансы на выживание при различных типах рака. По словам исследователей, эта модель превосходит многие современные подходы к диагностике рака. Этот искусственный интеллект способен выполнять широкий спектр задач, также он был протестирована на 19 различных типах рака, что придает ему гибкость, схожую с большой языковой моделью, такой как ChatGPT.

«Наша цель заключалась в создании универсальной и адаптивной платформы ИИ, схожей с ChatGPT, которая могла бы решать широкий спектр задач в области оценки рака», — прокомментировал старший автор исследования Кун-Син Ю, ассистент профессора биомедицинской информатики в Институте Блаватника при Гарвардской медицинской школе. Искусственный интеллект анализирует цифровые слайды опухолевых тканей для обнаружения раковых клеток и предсказания молекулярного профиля опухоли, основываясь на клеточных характеристиках, по изображениям.

Модель также прогнозирует выживаемость пациентов для разных типов рака и выявляет особенности опухолевой ткани, известной как микросреда опухоли, которые связаны с ответом пациента на стандартные методы лечения, включая операцию, химиотерапию, радиотерапию и иммунотерапию. Команда отметила, что инструмент способен генерировать новые идеи, — он выявил специфические характеристики опухоли, которые, как ранее было известно, не связаны с выживаемостью пациентов.

«При дальнейшей проверке и широком внедрении наш подход и подходы, подобные нашему, могут выявлять онкологических пациентов на ранних стадиях, которым могут помочь экспериментальные методы лечения, нацеленные на определенные молекулярные вариации, чего нет в равной степени во всем мире», — сказал Кун-Син Ю.

Новая модель под названием CHIEF (Clinical Histopathology Imaging Evaluation Foundation) была обучена на 15 млн немаркированных изображений, распределенных на ключевые разделы. Затем инструмент дополнительно обучался на 60 тыс. полноформатных тканевых изображениях, охватывающих легкие, грудь, предстательную железу, толстую и прямую кишку, желудок, пищевод, почки, головной мозг, печень, щитовидную железу, поджелудочную железу, шейку матки, яичники, тестикулы, кожу, мягкие ткани, надпочечники и мочевой пузырь.

Обучение модели с акцентом как на отдельных участках изображений, так и на целостном восприятии позволило ей связывать изменения в конкретной области с общим контекстом. По словам исследователей, такой подход обеспечил более целостную интерпретацию изображений, учитывая более широкий контекст, вместо того чтобы сосредотачиваться только на определенном участке.

После завершения обучения команда протестировала эффективность CHIEF более чем на 19,4 тыс. изображений целых слайдов из 32 независимых наборов данных, собранных в 24 больницах и среди различных групп пациентов по всему миру.

В целом модель CHIEF превзошла результаты других современных методов искусственного интеллекта на 36% в таких задачах, как обнаружение раковых клеток, идентификация источника опухоли, прогнозирование исходов лечения и выявление генов и ДНК-паттернов, связанных с реакцией на терапию. Благодаря своей многофункциональной подготовке, CHIEF демонстрировал стабильную эффективность, независимо от того, был ли образец получен методом биопсии или хирургического удаления.

Это также касалось и методов цифровизации образцов раковых клеток. Исследователи подчеркивают, что такая адаптивность делает CHIEF подходящим для использования в самых различных клинических условиях, представляя собой значительный шаг вперед по сравнению с существующими моделями, которые, как правило, успешно работают только с образцами, полученными определенными способами.

Модель CHIEF достигла почти 94% точности в диагностике рака и значительно превзошла существующие методы ИИ, используя данные из 15 наборов, включающих 11 различных типов рака. В пяти наборах биопсий, полученных из независимых групп, модель продемонстрировала 96% точность для ряда типов рака, таких как рак пищевода, желудка, толстого кишечника и простаты. Когда CHIEF протестировали на ранее неиспользованных образцах удаленных опухолей толстой кишки, легких, молочной железы, эндометрия и шейки матки, точность результатов превысила 90%.

CHIEF обошел существующие технологии ИИ, предсказывая генетические изменения в опухолях, анализируя изображения микроскопических срезов. Этот подход успешно распознавал характеристики, связанные с несколькими важными генами, влияющими на рост и подавление рака, и делал прогнозы относительно ключевых генетических мутаций, которые оказывают влияние на эффективность стандартных методов терапии.

Кроме того, CHIEF выявил определенные ДНК-модели, которые показывают, насколько эффективно опухоль толстой кишки может реагировать на иммунотерапию, называемую блокадой контрольных точек иммунной системы. При диагностике полного объема тканей CHIEF смог определить мутации в 54 часто встречающихся раковых генах с общей точностью свыше 70%, что превосходит современные методы в прогнозировании генетических особенностей рака.

CHIEF успешно оценил срок жизни пациентов, основываясь на гистопатологических изображениях опухолей, полученных в момент первичного диагноза. Модель смогла четко различить пациентов с долгосрочным прогнозом и тех, кто имеет короткий срок жизни, независимо от вида рака и группы пациентов. При этом CHIEF превзошел другие модели на 8%. В случаях более запущенного рака эффективность CHIEF была выше на 10% по сравнению с другими решениями на базе ИИ. В целом возможность CHIEF предсказать высокий или низкий риск летального исхода была протестирована и подтверждена на образцах пациентов из 17 разных медицинских учреждений.

При исследовании опухолей у пациентов с коротким сроком жизни метод CHIEF выявил области, где наблюдаются аномальные соотношения размеров различных клеточных компонентов, более выраженные атипичные характеристики ядер клеток, слабые связи между клетками и меньшее количество соединительной ткани вокруг опухоли. Также отмечалось, что в таких опухолях присутствует больше погибающих клеток. Например, в опухолях молочной железы метод CHIEF выделил наличие некроза в пораженных тканях. В отличие от этого, рак молочной железы при более высоком уровнем выживаемости чаще сохранял клеточную архитектуру, напоминающую здоровые ткани. Исследователи отметили, что визуальные характеристики и зоны интереса, связанные с выживанием, варьировались в зависимости от типа рака.

Ранее ученые разработали новый метод диагностики рака мозга, который работает быстрее и менее инвазивен, чем традиционная хирургическая биопсия. Для проведения этого анализа, называемого жидкостной биопсией, требуется всего 100 микролитров крови и один час, чтобы выявить биомаркеры, связанные с глиобластомой — самой смертоносной и распространенной формой опухоли мозга.