Çok sayıda veri türü üzerinde eğitilmiş multimodal AI modelleri, doktorların birden fazla farklı kanser geliştirme riski taşıyan hastaları daha doğru bir şekilde taramasına yardımcı olabilir.
Harvard Üniversitesi tıp fakültesinin Brigham ve Kadın Hastanesi bölümünden araştırmacılar, 14 kanser türünü tanımlayabilen bir derin öğrenme modeli geliştirdiler. Çoğu AI algoritması, tıbbi taramalar gibi tek bir veri kaynağından hastalık belirtilerini tespit etmek için eğitilmiştir, ancak bu, birden fazla kaynaktan girdi alabilir.
Bir kişinin kanser geliştirme riski altında olup olmadığını tahmin etmek her zaman o kadar kolay değildir, doktorlar genellikle bir hastanın sağlık geçmişi gibi çeşitli bilgilere başvurmak veya genetik biyobelirteçleri tespit etmek için başka testler yapmak zorunda kalır.
Bu sonuçlar, doktorların hastalığın ilerlemesini izlerken bir hasta için en iyi tedaviyi bulmalarına yardımcı olabilir, ancak verileri yorumlamaları öznel olabilir, Brigham and Women's'ta Hesaplamalı Patoloji Anabilim Dalı'nda yardımcı doçent olan Faisal Mahmood Hastane, açıkladı.
"Uzmanlar, bir hastanın ne kadar iyi yapabileceğini tahmin etmek için birçok kanıtı analiz ediyor. Bu erken muayeneler, bir klinik araştırmaya veya spesifik tedavi rejimlerine kaydolma konusunda karar vermenin temeli haline gelir. Ancak bu, bu çok modlu tahminin uzman düzeyinde gerçekleştiği anlamına gelir. Sorunu sayısal olarak çözmeye çalışıyoruz” dedi. ifade.
Mahmood ve meslektaşları, çok sayıda derin öğrenme tabanlı algoritmadan oluşan ve birden fazla veri türü üzerinde eğitilmiş tek bir kapsamlı sistemin 14'e kadar farklı kanseri teşhis edebileceğini açıkladı. Araştırmacılar, 5,000'den fazla gerçek hastadan elde edilen farklı kanser türlerine ilişkin verileri ve diğer veri kaynaklarını içeren bir kamu kaynağı olan The Cancer Genome Atlas'ın (TCGA) eğitim verilerini kullandılar.
İlk olarak, iki ayrı modeli eğitmek için tam slayt görüntülerinden (WSI'ler) ve metin tabanlı genomik verilerden hücre dokularının mikroskobik görünümleri kullanıldı. Bunlar daha sonra hastaların farklı kanser türlerini geliştirme riskinin yüksek mi yoksa düşük mü olduğunu tahmin etmek için tek bir sisteme entegre edildi. Araştırmacılar, modelin bilim insanlarının belirli hastalıklarla ilişkili genetik belirteçleri bulmasına veya doğrulamasına bile yardımcı olabileceğini iddia etti.
"Derin öğrenme, moleküler biyobelirteçlerin multimodal füzyonu ve WSI'lerden çıkarılan morfolojik özelliklerin kullanılması, yalnızca hasta risk sınıflandırmasında kesinliği iyileştirmede potansiyel klinik uygulamaya sahip olmakla kalmaz, aynı zamanda histoloji ve genomik biyobelirteçlerin birleştirici etkilerinin olduğu multimodal biyobelirteçlerin keşfedilmesine ve doğrulanmasına da yardımcı olabilir. bilinmiyor, "ekip bir kağıda yazdı yayınlanan Pazartesi günü Cancer Cell'de.
Mahmood anlattı Kayıt Mevcut çalışma, kanser riskini tahmin etmek için multimodal modellerin uygulanmasına yönelik bir kavram kanıtıydı. "Bu modelleri çok daha fazla veri ile eğitmemiz, bu modelleri büyük bağımsız test kohortlarında test etmemiz ve bu modellerin klinik bir ortamda etkinliğini belirlemek için ileriye dönük çalışmalar ve klinik denemeler yapmamız gerekiyor" dedi. ®
