Model podobny do ChatGPT może diagnozować raka, pomagać w wyborze opcji leczenia i przewidywać wyniki przeżycia w przypadku różnych typów nowotworów.
Naukowcy z Harvard Medical School opracowali wszechstronny model sztucznej inteligencji, podobny do ChatGPT, który może wykonywać szeroki zakres zadań diagnostycznych w przypadku różnych typów nowotworów.
Nowy system AI, opisany 4 września w Natura, Naukowcy twierdzą, że wykracza to o krok dalej niż wiele obecnych podejść do diagnostyki nowotworów opartych na sztucznej inteligencji.
Obecne systemy sztucznej inteligencji są zazwyczaj szkolone do wykonywania określonych zadań – takich jak wykrywanie obecności nowotworu lub przewidywanie profilu genetycznego guza – i zwykle działają tylko w przypadku kilku typów nowotworów. Z kolei nowy model może wykonywać szeroki zakres zadań i został przetestowany na 19 typach nowotworów, zapewniając mu elastyczność porównywalną z dużymi modelami językowymi, takimi jak ChatGPT.
Chwila inne podstawowe modele AI do diagnostyki medycznej opartej na obrazach patologicznych, uważa się, że jest to pierwsza metoda przewidywania wyników pacjentów i walidacji ich w kilku międzynarodowych grupach pacjentów.
„Naszą ambicją było stworzenie zwinnej, wszechstronnej platformy AI podobnej do ChatGPT, która może wykonywać szeroki zakres zadań związanych z oceną raka” – powiedział starszy autor badania Kun-Hsing Yu, adiunkt informatyki biomedycznej w Instytucie Blavatnik w Harvard Medical School. „Nasz model okazał się bardzo przydatny w wielu zadaniach związanych z wykrywaniem raka, prognozowaniem i odpowiedzią na leczenie w przypadku wielu nowotworów”.
Model AI, który działa poprzez odczytywanie cyfrowych slajdów tkanek nowotworowych, wykrywa komórki nowotworowe i przewiduje profil molekularny guza na podstawie cech komórkowych widocznych na obrazie z doskonałą jakością dokładność do większości obecnych systemów AI. Może prognozować przeżycie pacjenta w przypadku wielu typów nowotworów i dokładnie wskazywać cechy tkanki otaczającej guz – zwane także mikrośrodowiskiem nowotworu – które są powiązane z reakcją pacjenta na standardowe leczenie, w tym operację, chemioterapię, radioterapię i immunoterapię. Wreszcie, jak stwierdził zespół, narzędzie wydaje się być w stanie generować nowe spostrzeżenia — zidentyfikowało specyficzne cechy nowotworu, o których wcześniej nie wiedziano, że mają związek z przeżyciem pacjentów.
Odkrycia, zdaniem zespołu badawczego, stanowią coraz więcej dowodów na to, że podejścia oparte na sztucznej inteligencji mogą zwiększyć zdolność klinicystów do skutecznej i dokładnej oceny nowotworów, w tym identyfikacji pacjentów, którzy mogą nie reagować dobrze na standardowe terapie przeciwnowotworowe.
„Jeśli nasze podejście i podejścia podobne do naszego zostaną poddane dalszej walidacji i szerokiemu wdrożeniu, będą w stanie wcześnie zidentyfikować pacjentów chorych na raka, którzy mogą odnieść korzyść z terapii eksperymentalnych ukierunkowanych na określone zmiany molekularne, a jest to możliwość, która nie jest jednolicie dostępna na całym świecie” – powiedział Yu.
Trening i wydajność
Najnowsze prace zespołu opierają się na wcześniejszych badaniach Yu nad systemami sztucznej inteligencji do oceny raka okrężnicy i guzów mózgu. Te wcześniejsze badania wykazały wykonalność tego podejścia w przypadku określonych typów nowotworów i określonych zadań.
Nowy model, nazwany CHIEF (Clinical Histopathology Imaging Evaluation Foundation), został przeszkolony na 15 milionach nieoznakowanych obrazów podzielonych na interesujące Cię sekcje. Narzędzie zostało następnie przeszkolone na podstawie 60 000 obrazów obejmujących całe slajdy tkanek, w tym płuc, piersi, prostaty, jelita grubego, żołądka, przełyku, nerek, mózgu, wątroby, tarczycy, trzustki, szyjki macicy, macicy, jajników, jąder, skóry, tkanek miękkich, nadnercze i pęcherz moczowy. Wytrenowanie modelu tak, aby patrzył zarówno na określone fragmenty obrazu, jak i na cały obraz, pozwoliło mu powiązać określone zmiany w jednym regionie z ogólnym kontekstem. Naukowcy twierdzą, że takie podejście umożliwiło CHIEF bardziej holistyczną interpretację obrazu poprzez uwzględnienie szerszego kontekstu, zamiast skupiać się tylko na konkretnym regionie.
Po szkoleniu zespół przetestował działanie CHIEF na ponad 19 400 pełnych slajdach obrazów z 32 niezależnych zbiorów danych zebranych z 24 szpitali i kohort pacjentów na całym świecie.
Ogólnie rzecz biorąc, projekt CHIEF przewyższał inne najnowocześniejsze metody sztucznej inteligencji aż o 36 procent w następujących zadaniach: wykrywanie komórek nowotworowych, identyfikacja pochodzenia nowotworu, przewidywanie wyników leczenia pacjentów oraz identyfikacja obecności genów i DNA wzorce związane z odpowiedzią na leczenie. Dzięki wszechstronnemu przeszkoleniu projekt CHIEF działał równie dobrze niezależnie od sposobu pozyskania komórek nowotworowych – czy to poprzez biopsję, czy przez wycięcie chirurgiczne. Wyniki były równie dokładne, niezależnie od techniki zastosowanej do digitalizacji próbek komórek nowotworowych. Naukowcy twierdzą, że ta zdolność adaptacji sprawia, że CHIEF jest użyteczny w różnych warunkach klinicznych i stanowi ważny krok w stosunku do obecnych modeli, które zwykle dobrze sprawdzają się tylko podczas odczytu tkanek uzyskanych za pomocą określonych technik.
Wykrywanie raka
Projekt CHIEF osiągnął niemal 94-procentową dokładność w wykrywaniu nowotworów i znacznie przewyższał obecne podejścia oparte na sztucznej inteligencji w 15 zbiorach danych zawierających 11 typów nowotworów. W pięciu zestawach danych z biopsji zebranych od niezależnych kohort badanie CHIEF osiągnęło 96-procentową dokładność w przypadku wielu typów nowotworów, w tym przełyku, żołądka, jelita grubego i prostaty. Kiedy badacze testowali CHIEF na wcześniej niewidzianych szkiełkach chirurgicznie usuniętych guzów okrężnicy, płuc, piersi, endometrium i szyjki macicy, model działał z ponad 90-procentową dokładnością.
Przewidywanie profili molekularnych nowotworów
Struktura genetyczna guza zawiera kluczowe wskazówki umożliwiające określenie jego przyszłego zachowania i optymalnego leczenia. Aby uzyskać te informacje, onkolodzy zlecają sekwencjonowanie DNA próbek nowotworu, ale tak szczegółowe profilowanie genomowe tkanek nowotworowych nie jest wykonywane rutynowo ani jednolicie na całym świecie ze względu na koszty i czas związany z wysyłaniem próbek do wyspecjalizowanych laboratoriów sekwencjonowania DNA. Nawet w regionach dysponujących dużymi zasobami proces ten może zająć kilka tygodni. „To luka, którą sztuczna inteligencja może wypełnić” – powiedział Yu.
Naukowcy twierdzą, że szybka identyfikacja wzorców komórkowych na obrazie sugerującym określone aberracje genomowe może stanowić szybką i opłacalną alternatywę dla sekwencjonowania genomu.
Projekt CHIEF przewyższał obecne metody sztucznej inteligencji w przewidywaniu zmian genomicznych w nowotworze na podstawie szkiełek mikroskopowych. To nowe podejście oparte na sztucznej inteligencji z powodzeniem zidentyfikowało cechy powiązane z kilkoma ważnymi genami związanymi ze wzrostem i supresją nowotworu, a także przewidziało kluczowe mutacje genetyczne związane z tym, jak dobrze guz może reagować na różne standardowe terapie. W ramach projektu CHIEF wykryto także specyficzne wzorce DNA związane z tym, jak dobrze guz okrężnicy może reagować na formę immunoterapii zwaną blokadą punktów kontrolnych układu odpornościowego. Analizując obrazy całych tkanek, projekt CHIEF zidentyfikował mutacje w 54 często zmutowanych genach nowotworowych z ogólną dokładnością ponad 70 procent, co przewyższa obecną, najnowocześniejszą metodę sztucznej inteligencji do przewidywania raka genomowego. Jego dokładność była większa w przypadku określonych genów w określonych typach nowotworów.
Zespół przetestował także zdolność CHIEF do przewidywania mutacji związanych z reakcją na zatwierdzone przez FDA terapie celowane w 18 genach obejmujących 15 miejsc anatomicznych. Projekt CHIEF osiągnął wysoką dokładność w przypadku wielu typów nowotworów, w tym 96% w wykrywaniu mutacji w genie zwanym EZH2 powszechnym w przypadku raka krwi zwanego chłoniakiem rozlanym z dużych komórek B. Osiągnął 89 procent w przypadku mutacji genu BRAF w przypadku raka tarczycy i 91 procent w przypadku mutacji genu NTRK1 w przypadku nowotworów głowy i szyi.
Przewidywanie przeżycia pacjenta
Projekt CHIEF z powodzeniem przewidział przeżycie pacjentów na podstawie obrazów histopatologicznych guza uzyskanych w momencie wstępnej diagnozy. We wszystkich typach nowotworów i wszystkich badanych grupach pacjentów w ramach projektu CHIEF odróżniono pacjentów z przeżyciem dłuższym od tych z przeżyciem krótszym. CHIEF wyprzedził pozostałe modele o 8 proc. Natomiast w przypadku pacjentów z bardziej zaawansowanymi nowotworami CHIEF uzyskał o 10 procent lepsze wyniki niż inne modele sztucznej inteligencji. W sumie zdolność projektu CHIEF do przewidywania wysokiego i niskiego ryzyka śmierci została przetestowana i potwierdzona na próbkach pacjentów z 17 różnych instytucji.
Wydobywanie nowych spostrzeżeń na temat zachowania nowotworu
Model zidentyfikował na obrazach charakterystyczne wzorce powiązane z agresywnością guza i przeżyciem pacjenta. Aby zwizualizować te obszary zainteresowania, zespół CHIEF wygenerował mapy cieplne na obrazie. Kiedy patolodzy analizowali te gorące punkty stworzone przez sztuczną inteligencję, dostrzegli intrygujące sygnały odzwierciedlające interakcje między komórkami nowotworowymi a otaczającymi je tkankami. Jedną z takich cech była obecność większej liczby komórek odpornościowych w obszarach nowotworu u osób, które przeżyły dłużej, w porównaniu z osobami, które przeżyły krócej. Yu zauważył, że to odkrycie ma sens, ponieważ większa obecność komórek odpornościowych może wskazywać, że układ odpornościowy został aktywowany do ataku na nowotwór.
Analizując nowotwory osób, które przeżyły krócej, w ramach projektu CHIEF zidentyfikowano interesujące obszary charakteryzujące się nieprawidłowymi proporcjami wielkości różnych składników komórek, bardziej nietypowymi cechami jąder komórkowych, słabymi połączeniami między komórkami i mniejszą obecnością tkanki łącznej w tym obszarze otaczający guz. Guzy te charakteryzowały się także większą obecnością umierających komórek wokół nich. Na przykład w przypadku nowotworów piersi projekt CHIEF jako obszar zainteresowania wskazał obecność martwicy – czyli śmierci komórek – wewnątrz tkanek. Z drugiej strony, w przypadku raka piersi charakteryzującego się wyższym wskaźnikiem przeżycia było większe prawdopodobieństwo zachowania architektury komórkowej przypominającej zdrowe tkanki. Zespół zauważył, że cechy wizualne i obszary zainteresowań związane z przeżyciem różnią się w zależności od rodzaju nowotworu.
Kolejne kroki
Naukowcy oświadczyli, że planują udoskonalić wydajność CHIEF i zwiększyć jego możliwości poprzez:
- Prowadzenie dodatkowych szkoleń z zakresu obrazów tkanek pochodzących z chorób rzadkich i schorzeń nienowotworowych
- W tym próbki z tkanek przednowotworowych, zanim komórki staną się w pełni nowotworowe
- Wystawienie modelu na więcej danych molekularnych w celu zwiększenia jego zdolności do identyfikowania nowotworów o różnych poziomach agresywności
- Trenowanie modelu w celu przewidywania korzyści i skutków ubocznych nowych metod leczenia raka, oprócz standardowych metod leczenia
Odniesienie: „Podstawowy model patologii w diagnostyce raka i przewidywaniu prognoz” autorstwa Xiyue Wang, Junhan Zhao, Eliana Marostica, Wei Yuan, Jietian Jin, Jiayu Zhang, Ruijiang Li, Hongping Tang, Kanran Wang, Yu Li, Fang Wang, Yulong Peng , Junyou Zhu, Jing Zhang, Christopher R. Jackson, Jun Zhang, Deborah Dillon, Nancy U. Lin, Lynette Sholl, Thomas Denize, David Meredith, Keith L. Ligon, Sabina Signoretti, Shuji Ogino, Jeffrey A. Golden, MacLean P Nasrallah, Xiao Han, Sen Yang i Kun-Hsing Yu, 4 września 2024 r., Natura.
DOI: 10.1038/s41586-024-07894-z
Prace były częściowo wspierane przez grant Narodowego Instytutu Powszechnych Nauk Medycznych R35GM142879, nagrodę za rozwój kariery w ramach programu badań nad rakiem recenzowaną przez Departament Obrony HT9425-23-1-0523, nagrodę Google Research Scholar Award, nagrodę za innowacyjność dziekana Harvard Medical School oraz nagrodę Blavatnik Center for Computational Biomedicine Award.
Yu jest twórcą patentu amerykańskiego nr 16/179,101 przyznanego Uniwersytetowi Harvarda i pełnił funkcję konsultanta w firmach Takeda, Curatio DL i Postgraduate Institute for Medicine. Jun Zhang i Han byli pracownikami Tencent AI Lab.
