Onderzoekers creëren kunstmatige-intelligentietool die nauwkeurig de uitkomsten voorspelt voor 14 soorten kanker

Proof-of-concept studie ‚benadrukt dat het gebruik van AI om verschillende soorten klinisch geïnformeerde gegevens te integreren om ziekte-uitkomsten te voorspellen haalbaar is‘, zeggen onderzoekers

Kunstmatige intelligentie (AI) en machine learning boeken stapsgewijs vooruitgang bij het aantonen van waarde in de wereld van pathologische diagnostiek. Maar voor een prognose zijn over het algemeen menselijke anatomische pathologen nodig. Nu hebben onderzoekers van Brigham en Women’s Hospital in Boston in een proof-of-concept-onderzoek een methode ontwikkeld die AI-modellen gebruikt om meerdere soorten gegevens uit verschillende bronnen te integreren om de patiëntresultaten voor 14 verschillende soorten kanker nauwkeurig te voorspellen.

Het proces onthulde ook „de voorspellende basis van functies die worden gebruikt om het patiëntrisico te voorspellen – een eigenschap die kan worden gebruikt om nieuwe biomarkers te ontdekken“, aldus Nieuws over genetische manipulatie en biotechnologie (GEN).

Als deze onderzoeksresultaten klinisch levensvatbaar worden, kunnen anatomische pathologen krachtige nieuwe AI-tools krijgen die speciaal zijn ontworpen om hen te helpen voorspellen welk type uitkomst een kankerpatiënt kan verwachten.

De wetenschappers van Brigham publiceerden hun bevindingen in het tijdschrift kanker celgetiteld: „Pan-cancer Integrative Histology-genomische analyse via multimodaal diep leren.“

Faisal Mahmood, PhD

“Experts analyseren veel bewijsstukken om te voorspellen hoe goed een patiënt het kan doen. Deze vroege onderzoeken worden de basis voor het nemen van beslissingen over deelname aan een klinische proef of specifieke behandelingsschema’s, „zei Faisal Mahmood, PhD (hierboven) in een persbericht van Brigham. “Maar dat betekent dat deze multimodale voorspelling op het niveau van de expert gebeurt. We proberen het probleem computationeel aan te pakken, „voegde hij eraan toe. Mochten ze klinisch levensvatbaar zijn door middel van aanvullende onderzoeken, dan zouden deze bevindingen kunnen leiden tot nuttige hulpmiddelen die anatomische pathologen en klinische laboratoriumwetenschappers helpen nauwkeuriger te voorspellen wat voor soort uitkomsten kankerpatiënten kunnen ervaren. (Foto copyright: Harvard.)

Op AI gebaseerde prognoses in pathologie en klinische laboratoriumgeneeskunde

Het team van Brigham construeerde hun AI-model met behulp van The Cancer Genome Atlas (TCGA), een openbaar beschikbare bron die gegevens bevat over vele soorten kanker. Vervolgens creëerden ze een op deep learning gebaseerd algoritme dat informatie uit verschillende gegevensbronnen onderzoekt.

Pathologen zijn traditioneel afhankelijk van verschillende verschillende gegevensbronnen, zoals pathologiebeelden, genomische sequencing en patiëntgeschiedenis om verschillende kankers te diagnosticeren en prognoses te helpen ontwikkelen.

Voor hun onderzoek hebben Mahmood en zijn collega’s hun AI-algoritme getraind en gevalideerd op 6.592 H/E (hematoxyline en eosine) hele diabeelden (WSI’s) van 5.720 kankerpatiënten. Moleculaire profielkenmerken, waaronder mutatiestatus, kopie-aantalvariatie en RNA-sequentie-expressie, werden ook in het model ingevoerd om het relatieve risico op overlijden door kanker te meten en te verklaren.

De wetenschappers „evalueerden de werkzaamheid van het model door het datasets van 14 kankertypes te geven, evenals histologie van patiënten en genomische gegevens. De resultaten toonden aan dat de modellen nauwkeurigere voorspellingen van patiëntuitkomsten opleverden dan modellen die slechts enkele informatiebronnen bevatten”, aldus een persbericht van Brigham.

„Dit werk vormt de basis voor grotere AI-onderzoeken in de gezondheidszorg die gegevens uit meerdere bronnen combineren“, zegt Faisal Mahmood, PhD, universitair hoofddocent, afdeling Computational Pathology, Brigham and Women’s Hospital; en Associate Member, Cancer Program, Broad Institute of MIT en Harvard, in het persbericht. „In bredere zin benadrukken onze bevindingen de noodzaak om prognostische modellen voor computationele pathologie te bouwen met veel grotere datasets en downstream klinische onderzoeken om bruikbaarheid vast te stellen.“

Toekomstprognoses op basis van meerdere gegevensbronnen

De Brigham-onderzoekers hebben ook een onderzoekstool gegenereerd die ze het Pathology-omics Research Platform for Integrative Survival Estimation (PORPOISE) noemden. Deze tool dient als een interactief platform dat prognostische markers kan opleveren die door het algoritme worden gedetecteerd voor duizenden patiënten over verschillende soorten kanker.

De onderzoekers geloven dat hun algoritme een andere rol voor AI-technologie in de medische zorg onthult, maar dat er meer onderzoek nodig is voordat hun model klinisch kan worden geïmplementeerd. Grotere datasets zullen moeten worden onderzocht en de onderzoekers zijn van plan om meer soorten patiëntinformatie te gebruiken, zoals radiologische scans, familiegeschiedenissen en elektronische medische dossiers in toekomstige tests van hun AI-technologie.

„Toekomstig werk zal zich richten op het ontwikkelen van meer gerichte prognostische modellen door grotere multimodale datasets voor individuele ziektemodellen te beheren, modellen aan te passen aan grote onafhankelijke multimodale testcohorten en multimodaal diep leren te gebruiken voor het voorspellen van respons en resistentie tegen behandeling,“ de kanker cel papieren staten.

„Naarmate het onderzoek vordert in sequencing-technologieën, zoals eencellige RNA-seq, massacytometrie en ruimtelijke transcriptomics, blijven deze technologieën rijpen en krijgen ze klinische penetrantie, in combinatie met beeldvorming op hele dia, en onze benadering van het begrijpen van moleculaire biologie zal worden steeds ruimtelijker opgelost en multimodaal”, concluderen de onderzoekers.

Anatomische pathologen kunnen de bevindingen van het onderzoeksteam van Brigham en Women’s Hospital intrigerend vinden. Een AI-tool die gegevens uit verschillende bronnen integreert, die informatie analyseert en nuttige inzichten biedt, zou hen op een dag kunnen helpen nauwkeurigere kankerprognoses te geven en de zorg voor hun patiënten te verbeteren.

J.P. Schlingman

Gerelateerde informatie:

AI integreert meerdere gegevenstypen om de gevolgen van kanker te voorspellen

Pan-kanker integratieve histologie-genomische analyse via multimodaal diep leren

Nieuwe AI-technologie integreert meerdere gegevenstypen om de gevolgen van kanker te voorspellen

Kunstmatige intelligentie in digitale pathologie Ontwikkelingen leunen op praktische hulpmiddelen

Florida Hospital maakt gebruik van platform voor kunstmatige intelligentie op basis van machine learning om klinische variatie in de gezondheidszorg te verminderen, met gevolgen voor medische laboratoria

Kunstmatige intelligentie en computationele pathologie

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert