Введение: Персонализированный скрининг рака с помощью искусственного интеллекта
Персонализированный скрининг рака с помощью искусственного интеллекта произведет революцию в уходе за пациентами благодаря раннему выявлению и спасению жизней. Существуют разногласия относительно того, когда и как часто следует проводить маммографию, хотя в настоящее время они являются золотым стандартом скрининга рака молочной железы. Сторонники маммографии, например, утверждают, что маммография спасает жизни: женщины в возрасте 60 и 70 лет, прошедшие маммографию, имеют на 33 процента меньше шансов умереть, чем те, кто этого не делает. Другой аргумент касается дорогостоящих и потенциально травматичных ложноположительных результатов: метаанализ трех рандомизированных исследований выявил 19-процентный уровень гипердиагностики при маммографии.
Читайте также: ИИ в открытии лекарств
Однако, несмотря на некоторые спасенные жизни, а также чрезмерное лечение и чрезмерный скрининг, текущие рекомендации по-прежнему универсальны: женщины в возрасте от 45 до 54 лет должны проходить маммографию ежегодно. Индивидуальный скрининг уже давно считается ответом, но инструментов, которые используют для этого массивы данных, недостаточно.
Source: YouTube
Лаборатория компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) и клиника машинного обучения и здравоохранения Джамиля задались вопросом: может ли машинное обучение обеспечить персонализированный медицинский осмотр?
Читайте также: Искусственный интеллект в здравоохранении.
Это привело к появлению технологии под названием Tempo для персонализированного скрининга рака с помощью искусственного интеллекта, которая помогает создавать рекомендации по скринингу, основанные на риске. Tempo может порекомендовать пациентке прийти на маммографию в определенный момент времени в будущем, например, через шесть месяцев или три года, на основе модели риска на основе искусственного интеллекта. Адаптируя политику Tempo к широкому спектру возможных предпочтений скрининга, врачи могут выбирать между ранним выявлением и стоимостью скрининга без необходимости обучения новым политикам.
Source: YouTube
Для обучения и тестирования модели использовался большой набор данных скрининговой маммографии из Массачусетской больницы общего профиля (MGH), а также данные, собранные из больниц Эмори, Каролинской Швеции и Мемориальной больницы Чанг Гунг. Алгоритм оценки риска Mirai, разработанный Tempo, позволил сократить количество маммографий в Каролинской больнице на 25 процентов, одновременно обеспечив лучшее раннее выявление, чем ежегодные скрининги. В MGH рекомендовали проходить маммографию примерно раз в год, а эффект раннего выявления составил примерно четыре с половиной месяца.
Читайте также: Первая роботизированная хирургия
«Адаптируя скрининг к индивидуальному риску пациента, мы можем улучшить результаты лечения пациентов, уменьшить чрезмерное лечение и устранить диспропорции в состоянии здоровья», — говорит Адам Яла, аспирант в области электротехники и информатики, филиала MIT CSAIL и ведущий исследователь бумага с описанием Tempo, опубликованного 13 января в журнале Природная медицина. «Учитывая огромные масштабы скрининга рака молочной железы, когда десятки миллионов женщин проходят маммографию каждый год, улучшение наших рекомендаций чрезвычайно важно».
Первые применения искусственного интеллекта в медицине относятся к 1960-м годам, особенно эксперименты Дендрала, которые положили начало этой области. Создав первую автоматизированную программную систему, известную как экспертная система, исследователи смогли определить, как химики-органики решают проблемы, и решить, какие решения следует принять. За последние шестьдесят лет глубокая медицина значительно улучшила лекарственную диагностику, прогностическую медицину и уход за пациентами. Персонализированный скрининг рака с помощью искусственного интеллекта является естественным следующим шагом.
Читайте также: Первый препарат, разработанный ИИ, прошел испытания на людях.
«Современные рекомендации делят население на несколько больших групп, например, моложе или старше 55 лет, и рекомендуют одинаковую частоту скрининга всем членам когорты. Разработка моделей риска на основе искусственного интеллекта, которые оперируют необработанными данными пациентов, дает нам возможность трансформировать скрининг, предоставляя более частые скрининги тем, кто в этом нуждается, и экономя остальных», — говорит Яла. «Ключевым аспектом этих моделей является то, что их прогнозы могут меняться с течением времени по мере изменения необработанных данных пациента, что позволяет предположить, что политику скрининга необходимо адаптировать к изменениям риска и оптимизировать в течение длительных периодов данных о пациентах».
Source: YouTube
Чтобы предсказать дальнейшее наблюдение пациента, Tempo использует обучение с подкреплением — метод машинного обучения, широко используемый в таких играх, как шахматы и го.
Читайте также: Как RPA может помочь в здравоохранении?
Что касается обучающих данных, риск для пациентки рассчитывался только на момент проведения маммографии (то есть, когда ей было 50 или 55 лет). Чтобы оценить риск пациента в промежуточных точках, команда разработала свой алгоритм, позволяющий узнать риск пациента на основе наблюдаемых скринингов, которые развивались по мере получения новых маммограмм пациента.
Во-первых, команда обучила нейронную сеть прогнозировать будущие оценки риска на основе предыдущих оценок. Моделируя политику скрининга на основе риска, модель может оценить риск пациента в ненаблюдаемые моменты времени. На втором этапе они обучили политику (также нейронную сеть) так, чтобы максимизировать вознаграждение (например, сочетание стоимости раннего обнаружения и скрининга) для ретроспективного обучающего набора. Рекомендуется запланировать следующий экран на срок от шести месяцев до трех лет в будущем, кратно шести месяцам – стандарт составляет один или два года.
Читайте также: Влияние автоматизации в здравоохранении
Представьте себе, что пациентка А получает свою первую маммографию, и через четыре года ей ставят диагноз. На втором году ничего нет, поэтому пациенты не возвращаются еще два года, но затем на четвертом году им ставят диагноз. С момента последнего скрининга прошло два года с тех пор, как опухоль могла вырасти.
Темпо мог бы порекомендовать вернуться через два года на ту первую маммографию, «Нулевой год». Если бы на втором году он увидел, что риск высок, он мог бы порекомендовать пациенту вернуться через шесть месяцев, и в лучшем случае его можно было бы обнаружить. В соответствии с профилем риска пациента модель динамически изменяет частоту скрининга пациента.
Раннее выявление в Tempo основано на простом показателе, который предполагает, что рак можно обнаружить за 18 месяцев. Tempo превзошел текущие рекомендации при различных предположениях (шесть месяцев, 12 месяцев), но ни одно из этих предположений не является идеальным, поскольку каждая опухоль имеет свои собственные характеристики, которые влияют на возможность ее раннего обнаружения. Команда предполагает, что использование модели роста опухоли может стать эффективным способом решения этой проблемы.
Читайте также: Влияние искусственного интеллекта в офтальмологии
Кроме того, показатель стоимости скрининга, который учитывает общий объем скрининга, рекомендованный Tempo, не измеряет ложноположительные риски или дополнительный вред скрининга.
Алгоритмы персонализированного скрининга могут быть улучшены во многих отношениях в будущем. Одним из способов усовершенствования руководящих принципов могло бы стать использование показателей, используемых для оценки затрат на раннее выявление и скрининг на основе ретроспективных данных. Будущая работа может отдельно смоделировать затраты и выгоды от различных рекомендаций по скринингу, таких как МРТ или маммография, с использованием модели Tempo. Возможно, было бы возможно пересчитать самый ранний и поздний возраст, в котором скрининг остается экономически эффективным для пациента, если бы была более эффективная политика скрининга.
«Наша система является гибкой и может быть легко использована для других заболеваний, других форм моделей риска и других определений преимуществ раннего выявления или стоимости скрининга. Мы ожидаем, что полезность Tempo будет продолжать улучшаться по мере дальнейшего совершенствования моделей риска и показателей результатов. Мы рады сотрудничать с больницами-партнерами для перспективного изучения этой технологии и помощи в дальнейшем совершенствовании персонализированного скрининга рака», — говорит Яла.
Читайте также: Роль ИИ в распространении вакцин
Яла написала статью о Tempo вместе с аспирантом Массачусетского технологического института Питером Г. Микаэлем, Фредриком Стрэндом из больницы Каролинского университета, Гигином Линем из Мемориальной больницы Чанг Гунг, Юнг-Лян Ван из Университета Чанг Гунг, Сиддхартом Сатулуру из Университета Эмори, Томасом Кимом из Технологического института Джорджии. , Хари Триведи из Университета Эмори, Имон Банерджи из клиники Майо, Джуди Гичоя из Медицинской школы Университета Эмори, Кевин Хьюз из MGH, Констанс Леман из MGH, а также старший автор и профессор Массачусетского технологического института Регина Барзилай.
Исследование поддерживается грантами Сьюзан Г. Комен, Фонда исследования рака молочной железы, Quanta Computing, анонимного фонда, клиники MIT Jameel-Clinic, гранта Медицинского фонда Чанг Гунг и гранта HMT Стокгольм Ланс Ландстинг.