Des modèles d'IA multimodaux, entraînés sur de nombreux types de données, pourraient aider les médecins à dépister plus précisément les patients à risque de développer plusieurs cancers différents.
Des chercheurs du Brigham and Women's Hospital de la faculté de médecine de l'Université de Harvard ont développé un modèle d'apprentissage en profondeur capable d'identifier 14 types de cancer. La plupart des algorithmes d'IA sont formés pour détecter les signes de maladie à partir d'une seule source de données, comme les analyses médicales, mais celui-ci peut prendre des entrées de plusieurs sources.
Prédire si une personne risque de développer un cancer n'est pas toujours aussi simple, les médecins doivent souvent consulter divers types d'informations comme les antécédents médicaux d'un patient ou effectuer d'autres tests pour détecter des biomarqueurs génétiques.
Ces résultats peuvent aider les médecins à déterminer le meilleur traitement pour un patient lorsqu'ils surveillent la progression de la maladie, mais leur interprétation des données peut être subjective, Faisal Mahmood, professeur adjoint travaillant à la Division de pathologie informatique du Brigham and Women's Hôpital, expliqué.
« Les experts analysent de nombreux éléments de preuve pour prédire l'état d'un patient. Ces examens précoces deviennent la base de la prise de décision concernant l'inscription à un essai clinique ou à des schémas thérapeutiques spécifiques. Mais cela signifie que cette prédiction multimodale se produit au niveau de l'expert. Nous essayons de résoudre le problème par calcul », a-t-il déclaré dans un déclaration.
Mahmood et ses collègues ont décrit comment un seul système global, composé de nombreux algorithmes basés sur l'apprentissage en profondeur et formé sur plusieurs formes de données, pouvait diagnostiquer jusqu'à 14 cancers différents. Les chercheurs ont utilisé les données de formation de The Cancer Genome Atlas (TCGA), une ressource publique contenant des données sur différents types de cancer obtenues auprès de plus de 5,000 XNUMX patients réels, ainsi que d'autres sources de données.
Tout d'abord, des vues microscopiques des tissus cellulaires à partir d'images de diapositives entières (WSI) et de données génomiques textuelles ont été utilisées pour former deux modèles distincts. Ceux-ci ont ensuite été intégrés dans un système unique pour prédire si les patients présentent un risque élevé ou faible de développer les différents types de cancer. Le modèle pourrait même aider les scientifiques à trouver ou à confirmer des marqueurs génétiques associés à certaines maladies, ont affirmé les chercheurs.
"En utilisant l'apprentissage en profondeur, la fusion multimodale de biomarqueurs moléculaires et les caractéristiques morphologiques extraites des WSI ont une application clinique potentielle non seulement pour améliorer la précision de la stratification des risques des patients, mais pourraient également aider à la découverte et à la validation de biomarqueurs multimodaux où les effets combinatoires de l'histologie et des biomarqueurs génomiques sont pas connu », a écrit l'équipe dans un article publié dans Cancer Cell lundi.
Mahmood a dit Le registre l'étude actuelle était une preuve de concept dans l'application de modèles multimodaux pour prédire le risque de cancer. "Nous devons former ces modèles avec beaucoup plus de données, tester ces modèles sur de grandes cohortes de test indépendantes et mener des études prospectives et des essais cliniques pour établir l'efficacité de ces modèles dans un cadre clinique", a-t-il conclu. ®
