Alat kecerdasan buatan yang sehat untuk memprediksi kanker di masa depan

Peneliti MIT telah meningkatkan sistem pembelajaran mesin mereka, yang dirancang untuk memprediksi risiko kanker dari gambar mamografi, dan telah memastikan keefektifannya dengan penelitian di beberapa rumah sakit. Kredit: Gambar milik peneliti

Para peneliti telah mengembangkan algoritme penilaian risiko yang menunjukkan efektivitas yang konsisten dalam kumpulan data dari Amerika Serikat, Eropa, dan Asia.

Untuk mengetahui kanker lebih dini, kita perlu memprediksi siapa yang akan mengidapnya di masa depan. Sifat kompleks dari peramalan risiko didukung oleh alat kecerdasan buatan (AI), tetapi penerimaan AI dalam kedokteran dibatasi oleh kinerja yang buruk dari populasi pasien baru dan pengabaian ras minoritas.

Dua tahun lalu, tim ilmuwan dari CLaboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL) dan Klinik Jameel (J-Clinic) mendemonstrasikan sistem pelatihan mendalam untuk memprediksi risiko kanker hanya dengan menggunakan mammogram pasien. Model tersebut menunjukkan janji yang signifikan dan bahkan peningkatan inklusi: Model ini sama akuratnya untuk wanita kulit putih dan kulit hitam, yang sangat penting mengingat wanita kulit hitam 43 persen lebih mungkin meninggal akibat kanker payudara.

Tetapi untuk mengintegrasikan model risiko berbasis gambar ke dalam perawatan klinis dan membuatnya tersedia secara luas, para peneliti mengatakan model tersebut memerlukan peningkatan algoritmik dan validasi skala besar di beberapa rumah sakit untuk membuktikan stabilitasnya.

Untuk tujuan ini, mereka telah mengadaptasi algoritma Mirai baru mereka untuk menangkap persyaratan unik untuk pemodelan risiko. Mirai memodelkan risiko pasien di berbagai titik waktu di masa depan dan secara opsional dapat memanfaatkan faktor risiko klinis seperti usia atau riwayat keluarga, jika tersedia. Algoritma juga dirancang untuk menghasilkan prediksi yang sesuai dengan deviasi minor pada lingkungan klinis, seperti pemilihan mesin mamografi.


Alat kecerdasan buatan yang sehat dapat digunakan untuk memprediksi kanker payudara di masa depan.

Tim melatih Mirai pada set yang sama dengan lebih dari 200.000 ujian dari Rumah Sakit Umum Massachusetts (MGH) dari pekerjaan mereka sebelumnya dan mengonfirmasinya pada alat tes dari MGH, Institut Karolinska di Swedia dan Rumah Sakit Memorial Chang Gung di Taiwan. Mirai sekarang dipasang di MGH dan anggota tim secara aktif bekerja untuk mengintegrasikan model ke dalam perawatan.

Mirai secara signifikan lebih akurat daripada metode sebelumnya untuk memprediksi risiko kanker dan mengidentifikasi kelompok berisiko tinggi di ketiga kumpulan data. Membandingkan kohort berisiko tinggi dari rangkaian tes MGH, tim menemukan bahwa model mereka mengidentifikasi hampir dua kali lebih banyak diagnosis kanker di masa depan sebagai standar klinis saat ini, model Tyrer-Cuzick. Mirai memiliki akurasi serupa pada pasien dari ras yang berbeda, kelompok umur dan kategori kepadatan payudara dalam set tes MGH dan pada subtipe kanker yang berbeda dalam set tes Karolinska.

“Model risiko kanker payudara yang ditingkatkan memungkinkan strategi skrining bertarget yang mencapai deteksi dini dan kerusakan skrining yang lebih sedikit daripada pedoman yang ada,” kata Adam Yala, seorang mahasiswa PhD CSAIL dan penulis utama artikel di Mirai yang diterbitkan tahun lalu minggu c Ilmu Kedokteran Terjemahan. “Tujuan kami adalah menjadikan pencapaian ini sebagai bagian dari standar perawatan. Kami bermitra dengan dokter dari Novant Health di Carolina Utara, Emory di Georgia, Maccabi di Israel, TecSalud di Meksiko, Apollo di India dan Barretos di Brasil untuk lebih memvalidasi model untuk populasi yang berbeda dan mencari cara terbaik untuk menerapkannya secara klinis. ”

Bagaimana itu bekerja

Terlepas dari persepsi luas tentang skrining kanker payudara, para peneliti mengatakan praktik tersebut dipenuhi dengan kontroversi: Strategi skrining yang lebih agresif bertujuan untuk memaksimalkan manfaat dari deteksi dini, sementara skrining yang lebih jarang bertujuan untuk mengurangi kesalahan positif, kecemasan, dan kerugian bagi mereka yang tidak akan pernah melakukannya. bahkan mengembangkan kanker payudara.

Panduan klinis terkini menggunakan model risiko untuk menentukan pasien mana yang harus direkomendasikan untuk pencitraan dan MRI tambahan. Beberapa pedoman menggunakan model risiko hanya dengan usia untuk menentukan apakah dan seberapa sering seorang wanita harus diskrining; yang lain menggabungkan berbagai faktor yang berkaitan dengan usia, hormon, genetika, dan kepadatan payudara untuk menentukan tes lebih lanjut. Meskipun telah dilakukan upaya puluhan tahun, ketepatan model risiko yang digunakan dalam praktik klinis tetap sederhana.

Belakangan ini, model risiko berbasis deep learning menunjukkan hasil yang menjanjikan. Untuk membawa teknologi ini ke klinik, tim mengidentifikasi tiga inovasi yang mereka yakini penting untuk pemodelan risiko: pembagian waktu, penggunaan opsional faktor risiko selain pencitraan, dan metode untuk memastikan presentasi yang konsisten dalam pengaturan klinis.

1 kali

Yang melekat dalam pemodelan risiko adalah belajar dari pasien dengan jumlah tindak lanjut dan penilaian risiko yang berbeda pada waktu yang berbeda: ini dapat menentukan seberapa sering mereka diskrining, apakah mereka perlu memiliki gambar tambahan, atau bahkan mempertimbangkan perawatan pencegahan.

Meskipun dimungkinkan untuk melatih model penilaian risiko individu untuk setiap titik waktu, pendekatan ini dapat mengarah pada penilaian risiko yang tidak berarti – seperti memprediksi bahwa pasien memiliki risiko lebih tinggi terkena kanker dalam dua tahun daripada dalam lima tahun. Untuk mengatasi hal ini, tim telah merancang model prakiraan risikonya setiap saat menggunakan alat yang disebut ‘lapisan bahaya aditif’.

Lapisan bahaya suplemen bekerja sebagai berikut: Jaringan mereka memperkirakan risiko pasien pada waktu tertentu, misalnya lima tahun, sebagai perluasan risiko pada momen sebelumnya, misalnya empat tahun. Dengan cara ini, model mereka dapat belajar dari data dengan jumlah variabel tindak lanjut dan kemudian membuat penilaian risiko independen.

2. Faktor risiko yang tidak adil

Meskipun metode ini berfokus terutama pada mamogram, tim juga ingin menggunakan faktor risiko non-imajiner seperti usia dan faktor hormonal, jika tersedia – tetapi tidak memerlukannya selama pengujian. Salah satu pendekatan adalah menambahkan faktor-faktor ini sebagai masukan ke model citra, tetapi desain ini akan mencegah sebagian besar rumah sakit (seperti Karolinska dan CGMH) yang tidak memiliki infrastruktur ini untuk menggunakan model tersebut.

Agar Mirai dapat memanfaatkan faktor risiko tanpa memerlukannya, jaringan menyediakan informasi ini selama pelatihan dan jika tidak memilikinya, jaringan dapat menggunakan versi perkiraannya sendiri. Mammogram adalah sumber informasi kesehatan yang kaya dan begitu banyak faktor risiko tradisional seperti usia dan status menopause dapat dengan mudah diprediksi dari pencitraannya. Sebagai hasil dari desain ini, model yang sama dapat digunakan oleh klinik mana pun di seluruh dunia dan jika memiliki informasi tambahan ini, ia dapat menggunakannya.

3. Presentasi yang konsisten dalam pengaturan klinis

Untuk memasukkan model pembelajaran yang mendalam ke dalam pedoman klinis, model harus bekerja secara konsisten dalam pengaturan klinis yang berbeda dan prediksinya tidak dapat dipengaruhi oleh variasi kecil seperti mesin mana yang digunakan untuk mamogram. Bahkan di satu rumah sakit, para peneliti menemukan bahwa pelatihan standar tidak memberikan prediksi yang konsisten sebelum dan sesudah perubahan pada mesin mamografi, karena algoritme dapat belajar untuk mengandalkan berbagai sinyal khusus lingkungan. Untuk mengalihkan model dari tim, tim menggunakan balap skema di mana model tersebut secara khusus mempelajari gambar mamografi yang tidak sesuai dengan lingkungan klinis sumbernya untuk mendapatkan prediksi yang konsisten.

Untuk menguji lebih lanjut pembaruan ini dalam berbagai pengaturan klinis, para peneliti mengevaluasi Mirai pada alat tes baru dari Karolinska di Swedia dan Rumah Sakit Memorial Chang Gung di Taiwan dan menemukan bahwa dia mencapai hasil yang konsisten. Tim juga menganalisis keefektifan model untuk kompetisi, usia dan kategori kepadatan payudara di set tes MGH dan antara subtipe kanker di set data Karolinska dan menemukan bahwa performanya serupa di semua subkelompok.

“Wanita Afrika-Amerika terus mengalami kanker payudara pada usia yang lebih muda dan seringkali pada tahap selanjutnya,” kata Salevay Autumn, seorang ahli bedah toraks di Rumah Sakit Massachusetts yang tidak terlibat. “Ini, bersama dengan jumlah yang lebih tinggi dari kanker payudara triple-negatif pada kelompok ini, telah menyebabkan peningkatan kematian akibat kanker payudara. Studi ini mendemonstrasikan pengembangan model risiko yang prediksinya memiliki akurasi luar biasa selama balapan. Kemungkinan untuk penggunaan klinisnya sangat besar. ”

Inilah cara kerja Mirai:

1. Mamogram disisipkan melalui sesuatu yang disebut “encoder gambar”.

2. Setiap representasi gambar, serta dari mana asalnya, digabungkan dengan gambar lain dari tampilan lain untuk mendapatkan representasi dari keseluruhan mammogram.

3. Mammogram memprediksi faktor risiko tradisional pasien dengan menggunakan model Tyrer-Cuzick (usia, berat badan, faktor hormonal). Jika tidak tersedia, nilai default digunakan.

4. Dengan informasi ini, lapisan bahaya suplemen memprediksi risiko pasien setiap tahun selama lima tahun ke depan.

Meningkatkan Mirai

Meskipun model saat ini tidak mempertimbangkan hasil sebelumnya dari gambar pasien, perubahan pada gambar dari waktu ke waktu mengandung banyak informasi. Di masa mendatang, tim bertujuan untuk membuat metode yang dapat secara efektif menggunakan riwayat lengkap gambar pasien.

Demikian pula, tim mencatat bahwa model tersebut dapat lebih ditingkatkan dengan menggunakan tomosynthesis, teknik sinar-X untuk skrining pasien kanker tanpa gejala. Selain meningkatkan akurasi, diperlukan penelitian lebih lanjut untuk mengetahui bagaimana mengadaptasi model berbasis citra ke perangkat mamografi berbeda dengan data terbatas.

“Kami tahu bahwa MRI dapat mendeteksi kanker lebih awal daripada mamografi dan deteksi dini meningkatkan hasil pasien,” kata Yala. “Tetapi untuk pasien berisiko rendah, risiko positif palsu mungkin lebih besar daripada manfaatnya. Dengan model risiko yang lebih baik, kami dapat membuat pedoman skrining risiko yang lebih bernuansa yang menawarkan skrining yang lebih sensitif, seperti MRI, kepada pasien yang akan mengembangkan kanker untuk mendapatkan hasil yang lebih baik, sekaligus mengurangi skrining yang tidak perlu dan pengobatan yang berlebihan. ”

“Kami sama-sama bersemangat dan rendah hati untuk menanyakan apakah sistem AI ini akan bekerja untuk populasi Afrika-Amerika,” kata Judy Guichoya, MD, PhD dan asisten profesor bidang radiologi intervensi dan ilmu komputer di Universitas Emory, yang tidak terlibat dalam pekerjaan. “Kami mempelajari masalah ini secara mendalam dan bagaimana menemukan kegagalan.”

Referensi: “Menuju model mamografi yang stabil untuk risiko kanker payudara” oleh Adam Yala, Peter G. Michael, Fredrik Strand, Gigin Lynn, Kevin Smith, Jung-Liang Wang, Leslie Lamb, Kevin Hughes, Constance Lehmann dan Regina Barzilai, 27 Januari, 2021, Ilmu Kedokteran Terjemahan.
DOI: 10.1126 / scitranslmed.aba4373

Yala ikut menulis artikel tentang Mirai dengan spesialis penelitian MIT Peter G. Michael, ahli radiologi Fredrik Strand dari Rumah Sakit Universitas Karolinska, Gigin Lin dari Rumah Sakit Memorial Chang Gung, profesor Kevin Smith dari Institut Teknologi Kerajaan KTH, dan Profesor Jung-Chang Universitas Liang Gung, Leslie Lamb dari MGH, Kevin Hughes dari MGH, penulis senior dan profesor di Harvard Medical School Constance Lehmann dari MGH, dan penulis senior dan profesor di MIT Regina Barzilai.

Pekerjaan ini didukung oleh hibah dari Susan Comen, Yayasan Penelitian Kanker Payudara, Quanta Computing dan MIT Jameel Clinic. Dia juga didukung oleh Chang Gung Medical Foundation Grant dan Stockholm Läns Landsting HMT Grant.

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Skrining sinar-X mengidentifikasi obat yang menjanjikan untuk pengobatan COVID-19

Sebuah tim peneliti, termasuk ilmuwan MPSD, telah mengidentifikasi beberapa kandidat untuk melawan obat tersebut SARS-CoV-2 coronavirus menggunakan sumber cahaya sinar-X PETRA III di German...

Teori konspirasi memengaruhi perilaku kita – bahkan jika kita tidak mempercayainya!

Paling tidak karena COVID-19 pandemi, teori konspirasi lebih relevan dari sebelumnya. Mereka diberitakan dan didiskusikan di hampir semua media dan komunikasi. Tapi...

“Doodle Ringan” Nyata dalam Waktu Nyata

Para peneliti di Tokyo Metropolitan University telah merancang dan menerapkan algoritme yang disederhanakan untuk mengubah garis yang digambar secara bebas menjadi hologram pada CPU...

Teleskop Webb NASA menyertakan tabir surya seukuran lapangan tenis untuk perjalanan jutaan kilometer

Kedua wajah tabir surya James Webb Space Telescope dinaikkan secara vertikal untuk mempersiapkan pelipatan lapisan tabir surya. Kredit: NASA / Chris Gunn Insinyur bekerja...

Mineralogi Hangat Global Mengelola Pusat Perlindungan Kehidupan Batin

Tim lapangan DeMMO dari kiri ke kanan: Lily Momper, Brittany Kruger, dan Caitlin Casar mengambil sampel air yang meledak dari toilet DeMMO. Pendanaan:...

Newsletter

Subscribe to stay updated.