TLDR: Výzkumníkům se podařilo zkombinovat více zdrojů dat k tomu, aby bylo možné snáze odhadnout, jak efektivní je léčba nádorového onemocnění – a jaké biomarkery při ní sledovat. Studie tuna.

Doktor AI

Možná jste zahlédli, že rapidně přibývá výzkumu snažícího se o medicínskou aplikaci strojového učení. Jedná se stále o čistokrevný výzkum, který nelze uspěchat – ale s novou studií postoupila přesnost umělé inteligence blíže k praxi. Nové práci se totiž podařilo lépe zkombinovat různé balíky dat pro komplexnější predikci postupu nádorových onemocnění.

Na možnost rozvoje rakoviny má vliv celá řada faktorů – patří mezi ně anamnéza pacienta, geny i patologie onemocnění. Lékaři se proto často potýkají s nejen problémem zisku těchto informací, ale také toho, jak tyto informace integrovat do rozhodování o péči o pacienta.

Nová studie vědců z Mahmoodovy laboratoře v Brigham and Women’s Hospital přináší ověřený model, který využívá umělou inteligenci (AI) ke kombinaci více typů dat z různých zdrojů k předpovědi výsledků léčby pacientů se 14 různými typy rakoviny.

Prostřednictvím nových modelů umělé inteligence doktor Faisal Mahmood, odborný asistent v oddělení počítačové patologie na Brighamu a přidružený člen programu pro výzkum rakoviny v Broad Institute of Harvard and MIT a jeho kolegové odhalili způsob, jak výpočetně integrovat několik forem diagnostických informací a získat tak přesnější předpovědi výsledků.

Přesah za hranice strojů

Výzkumníci vytvořili modely s využitím veřejně dostupného zdroje The Cancer Genome Atlas (TCGA), který obsahuje data o mnoha různých typech rakoviny. Poté vyvinuli multimodální algoritmus založený na hlubokém učení, který je schopen učit se prognostické informace z více zdrojů dat.

Tím, že nejprve vytvořili samostatné modely pro histologická a genomická data, mohli tyto technologie spojit do jednoho integrovaného celku, který poskytuje klíčové prognostické informace. Nakonec vyhodnotili účinnost modelu tím, že mu dodali soubory dat ze 14 typů rakoviny a také histologická a genomická data pacientů.

Výsledky ukázaly, že modely poskytly přesnější předpovědi výsledků pacientů než modely zahrnující pouze jednotlivé zdroje informací.  Jejich modely strojového učení také prokazují schopnost provádět prognostická určení a zároveň odhalovat prediktivní základy znaků používaných k předpovědi rizika pro pacienta – což je vlastnost, která by mohla být využita k odhalení nových biomarkerů.

To v praxi znamená, že AI by mohla vést i k lepším možnostem léčby i u pacientů, kteří skrze strojové učení neprojdou. Nové modely by totiž mohly výzkumníkům umožnit objevit biomarkery, které zahrnují různé klinické faktory, a lépe pochopit, jaký typ informací potřebují k diagnostice různých typů rakoviny. Výzkumníci také kvantitativně zkoumali význam jednotlivých diagnostických modalit pro jednotlivé typy rakoviny a přínos integrace více modalit.

Etická úskalí

Nové modely umělé inteligence jsou také schopny objasnit patologické a genomické rysy, které určují prognostické předpovědi. Tým zjistil, že modely používají imunitní reakce pacientů jako prognostický marker, aniž by k tomu byly vyškoleny, což je pozoruhodné zjištění vzhledem k tomu, že předchozí výzkumy ukazují, že pacienti, jejichž nádory vyvolávají silnější imunitní reakce, mají tendenci dosahovat lepších výsledků.

Do budoucna chce Mahmood začlenit ještě více typů informací o pacientech, jako jsou radiologické snímky, rodinné anamnézy a elektronické lékařské záznamy, a nakonec tento model zavést do klinických studií.

Stále to není dost pro okamžité aplikování strojového učení v klinické praxi – vyhodnotit bude totiž třeba také efektivitu podobných strojových učení přímo v terapii. Do ostrých pokusů se však technologie blíží mílovými kroky, a to znamená také nutnost uvažovat nad potenciálními problémy plynoucími z metody. Například stran zdravotního pojištění.

Ačkoliv v Česku je tento problém menšinový, v USA (kde studie vznikla)  by pesimistické vyhodnocení pacientů mohlo vést k dražší (či žádné reálné) péči. Podobná etická i ekonomická úskalí mohou být přitom na pořadu dne dříve, než bychom ještě pár let nazpět čekali…

Vzniklo původně pro Mudrstart.cz.

[Ladislav Loukota]

Vědátor vzniká v dílně spolku studentů a popularizátorů vědy UP Crowd za podpory MUDRstart, který tvoří přípravné testy pro studenty vysokých škol. Krom různých autorů projekt jako šéfredaktor vede Ladislav Loukota – jeho kontaktní mail je [email protected]