Використання ШІ для прогнозування раку молочної залози та персоналізації допомоги

Прес-контакт:

Попереднє зображення Наступне зображення

Незважаючи на значний прогрес у генетиці та сучасній візуалізації, більшість хворих на рак молочної залози застає зненацька діагнозом. Для деяких це надто пізно. Пізніший діагноз означає агресивне лікування, невизначені результати та більші медичні витрати. Як результат, виявлення пацієнтів було центральним елементом досліджень раку молочної залози та ефективного раннього виявлення.

З огляду на це, група з Лабораторії комп'ютерних наук та штучного інтелекту MIT (CSAIL) та Массачусетської загальної лікарні (MGH) створила нову модель глибокого навчання, яка може передбачити на мамографії, чи може пацієнт розвинути рак молочної залози на стільки ж як п’ять років у майбутньому. Навчавшись на мамографіях та відомих результатах у понад 60 000 пацієнтів із MGH, модель дізналася тонкі закономірності в тканинах молочної залози, які є попередниками злоякісних пухлин.

Професор Массачусетського технологічного університету Реджина Барзілай, яка сама пережила рак молочної залози, каже, що надії на такі системи дозволять лікарям налаштовувати скринінгові та профілактичні програми на індивідуальному рівні, роблячи пізню діагностику пережитком минулого.

Хоча було показано, що мамографія зменшує смертність від раку молочної залози, продовжуються дискусії щодо того, як часто проводити скринінг та коли починати. Хоча Американське онкологічне товариство рекомендує проводити щорічний скринінг, починаючи з 45 років, Профілактична робоча група США рекомендує проводити скринінг кожні два роки, починаючи з 50 років.

"Замість того, щоб застосовувати універсальний підхід, ми можемо персоналізувати скринінг навколо ризику захворювання жінкою на рак", - говорить Барзілай, старший автор нової статті про проект, який сьогодні виходить у "Радіології". "Наприклад, лікар може порекомендувати одній групі жінок робити мамографію раз на другий рік, тоді як інша група більш високого ризику може пройти додатковий скринінг МРТ". Барзілай є професором Delta Electronics в CSAIL та кафедрою електротехніки та комп'ютерних наук в Массачусетському технологічному інституті та членом Інституту інтегративних досліджень раку Коха в Массачусетському технологічному інституті.

Модель команди значно краще прогнозувала ризик, ніж існуючі підходи: вона точно помістила 31 відсоток усіх хворих на рак до категорії найвищого ризику, порівняно з лише 18 відсотками для традиційних моделей.

Професор Гарварда Констанс Леман каже, що раніше медична спільнота не отримувала мінімальної підтримки для скринінгових стратегій, які залежать від ризику, а не від віку.

"Це тому, що раніше у нас не було точних інструментів оцінки ризику, які працювали б для окремих жінок", - говорить Леман, професор рентгенології в Гарвардській медичній школі та начальник відділу візуалізації грудей у MGH. "Наша робота першою демонструє, що це можливо".

Барзілай та Леман написали роботу разом із провідним автором Адамом Ялою, аспірантом CSAIL. Серед інших співавторів MIT - докторант Тал Шустер та колишня магістрантка Таллі Портной.

Як це працює

Починаючи з першої моделі ризику раку молочної залози з 1989 року, розвиток значною мірою визначався людськими знаннями та інтуїцією того, якими можуть бути основні фактори ризику, такі як вік, сімейна історія раку молочної залози та яєчників, гормональні та репродуктивні фактори та щільність грудей.

Однак більшість з цих маркерів лише слабо корелюють з раком молочної залози. Як результат, такі моделі все ще не дуже точні на індивідуальному рівні, і багато організацій продовжують вважати, що програми скринінгу на основі ризику неможливі, враховуючи ці обмеження.

Замість того, щоб вручну ідентифікувати закономірності на мамографії, що викликає майбутній рак, команда MIT/MGH навчила модель глибокого навчання, щоб вивести закономірності безпосередньо з даних. Використовуючи інформацію з більш ніж 90 000 мамографій, модель виявила шаблони, занадто тонкі, щоб їх виявляло людське око.

"Починаючи з 1960-х років рентгенологи помітили, що жінки мають унікальні та дуже мінливі структури тканин грудей, видимі на мамографії", - говорить Леман. «Ці закономірності можуть відображати вплив генетики, гормонів, вагітності, лактації, дієти, втрати ваги та збільшення ваги. Тепер ми можемо використовувати цю детальну інформацію, щоб бути точнішими в нашій оцінці ризику на індивідуальному рівні ".

Зробити більш справедливим виявлення раку

Проект також має на меті зробити оцінку ризику більш точною для расових меншин, зокрема. Багато ранніх моделей були розроблені для білих популяцій і були набагато менш точними для інших рас. Тим часом модель MIT/MGH однаково точна для білих та чорношкірих жінок. Це особливо важливо, враховуючи, що чорношкірі жінки, як було доведено, на 42 відсотки частіше помирають від раку молочної залози через широкий спектр факторів, які можуть включати різницю у виявленні та доступі до медичної допомоги.

"Особливо вражає те, що модель працює однаково добре як для білих, так і для чорношкірих людей, що не було у випадку з попередніми інструментами", - говорить Еллісон Кур'ян, доцент медицини та досліджень/політики в галузі медицини в Медичній школі Стенфордського університету. "Якщо буде затверджено та надано для широкого використання, це справді може покращити наші поточні стратегії оцінки ризику".

Барзілай заявляє, що їхня система також може одного дня дозволити лікарям використовувати мамографії, щоб визначити, чи є у пацієнтів більший ризик інших проблем зі здоров'ям, таких як серцево-судинні захворювання або інші види раку. Дослідники прагнуть застосовувати моделі до інших захворювань та захворювань, особливо до тих, що мають менш ефективні моделі ризику, такі як рак підшлункової залози.

"Наша мета - зробити ці досягнення частиною стандартної допомоги", - говорить Яла. "Передбачаючи, у кого розвинеться рак у майбутньому, ми можемо врятувати життя та підхопити рак до появи симптомів".