Передовая технология обнаружения рака

Выявление рака может быть самой альтруистической и запутанной проблемой для искусственного интеллекта (ИИ). Стандартные методы скрининга, такие как рентгенологическая визуализация, могут пропустить признаки рака или дать ложный отрицательный результат (как это происходит в 20-30% случаев). Процесс сканирования изображений особенно нуждается в улучшении, так как врачи часто должны визуально искать признаки рака, которые могут оставить только самые большие, самые передовые опухоли. Наследственное тестирование - это еще один метод обнаружения, который определяет генетическую предрасположенность к раку, но он не дает много подробностей и не может выявить, есть ли у человека рак.

ИИ может не только значительно повысить точность обнаружения изображений на предмет рака, но и открыть совершенно новые области между геномикой и скринингом на рак. ИИ сталкивается со своими собственными уникальными проблемами в этой области, такими как отсутствие достаточного количества данных для обучения нейронных сетей, но компании, занимающиеся самыми современными методами выявления рака, находят новые способы решения проблем и достигают впечатляющих результатов.

Проблема с диагностикой рака

Рак можно считать одним из самых смертоносных и наименее изученных недугов современности. В 2018 году в мире было зарегистрировано 18 миллионов новых случаев рака и 9,6 миллиона смертей, что привело к средней смертности в 52,9%: только в одной Европе смертность составила 20,3%. Необходимость раннего выявления рака также является основным фактором выживаемости; более 90% пациентов с раком молочной железы, диагностированных на ранней стадии, выживут в течение по крайней мере пяти лет по сравнению с 15% пациентов, диагностированных на более поздней стадии. ИИ может помочь улучшить эту довольно мрачную статистику, но основные проблемы обнаружения остаются актуальными. Ранние или «предраковые» симптомы трудно распознать, и современные методы основаны на человеческом анализе отсканированных изображений, ограниченном количестве информации, полученной в результате наследственного тестирования или комбинациинесколько диагностических методов, которые могут быть инвазивными и дорогостоящими.

Получение достаточно надежных данных является еще одним серьезным препятствием, поскольку медицинские данные часто надежно защищены и не всегда собираются достаточно последовательно для использования ИИ . Эти барьеры означают, что нейронным сетям часто не хватает обучающих данных, и золотое правило размера выборки в 10 раз больше, чем искомые функции, почти невозможно в медицине. Тем не менее, некоторые компании преодолевают эти проблемы уникальными способами, включая обратное обучение алгоритмов и использование старомодного ИИ для изучения совершенно новых областей медицинской диагностики.

Основанная шестью экспертами глубокого обучения из Университета KAIST в Южной Корее в 2013 году, Lunit обучила их алгоритму INSIGHT на рентгенограммах грудной клетки и маммографических изображениях для выявления рака легких и молочной железы. Спустя всего три года, в 2016 году, они победили Microsoft и IBM, чтобы выиграть Конкурс по оценке распространения опухоли, Обладая 97% обнаружением рака легких и молочной железы, Lunit объяснил свой успех обучением: «вместо того, чтобы направлять наш алгоритм в конкретное место, мы предоставили регион и сказали:« Там есть узелок, попробуйте его найти »». и позвольте алгоритму учиться самому », - говорит Брэндон Су, генеральный директор Lunit. Как упоминает Су, «врачам трудно найти маленькие узелки, спрятанные за ребрами или органами [в рентгенограмме грудной клетки]», но их алгоритм исчерпывающе ищет паттерны рака, чтобы значительно снизить вероятность ложного отрицательного или пропущенного случая рака. Используя компьютерную томографию, подтвержденную биопсией (тем самым устраняя предвзятость человека), команда извлекла выгоду из их связи с Университетом KAIST. Су объяснил, что «в Сеуле, может быть, пять больших больниц в радиусе 20 км»,

ЧИТАЙТЕ ТАК ЖЕ:  Как показало исследование: заедать чизбургерами стресс опасно для вашего здоровья

Решение по патологии Lunit, SCOPE, анализирует образцы ткани рака легкого и молочной железы, чтобы обеспечить прогнозы относительно диагностики и лечения, но слайды H & E (гематоксилин и эозиновые пятна), используемые при патологии, часто не оцифрованы или страдают от «несоответствий в качестве сканирования», говорит Су. Чтобы обойти эту проблему, Lunit провела исследование с больницами-партнерамииспользование «высококачественных сканеров изображений» для прямой оцифровки данных, что значительно повысило надежность обучающих данных SCOPE. ОБЛАСТЬ ПРИМЕНЕНИЯ использует слайды H & E вместо отсканированных изображений, но работает по тому же базовому алгоритму, что и радиологическое решение. Су аналогично передает эту передачу знаний следующим образом: «Если вы знаете испанский, легче учить французский». SCOPE анализирует опухолевую среду в образцах, чтобы определить приоритеты пациентов в соответствии с риском, так как «пациенты с более высоким риском чаще реагируют на химиотерапию», - говорит Су.

Метод обнаружения Лунита может показаться невероятно точным инструментом для обнаружения рака - однако Квантген выводит эту сложность на молекулярный уровень. По словам основателя и генерального директора Джо Бхакди, Quantgene «объединяет две области скрининга рака и геномики», являясь частью новой области ДНК-ориентированных подходов к выявлению рака. Их алгоритм анализирует бесклеточную ДНК, чтобы определить вашу генетическую предрасположенность к раку, есть ли у вас рак и в какой части тела. Бесклеточная ДНК(cfDNA) выделяется в кровоток из клеток, которые умерли или были убиты, и они составляют около 10000 клеток в типичном образце крови, который может содержать десять миллионов клеток крови. Алгоритм Quantgene рассматривает «каждую отдельную копию cfDNA [в образце крови], чтобы определить, была ли какая-либо одна копия получена из опухолевой клетки», - говорит Бхакди, в отличие от наследственного тестирования, которое проверяет небольшой образец клеток крови », чтобы увидеть, у человека есть наследственный вариант в их ДНК.

Этот подход ищет мутации в cfDNA, которые отличаются от наследственной ДНК. «Каждый тип рака содержит эти мутации, - объясняет Бхакди, - проблема в том, что мутационный профиль каждого рака и каждого пациента индивидуален, хотя есть некоторые общие черты». Это делает для Quantgene практически невозможным найти достаточно данных для обучения нейронной сети и требует доступа к «химии, аппаратной платформе и клинической инфраструктуре», а не только к машинному обучению и данным. Этот вид невероятно сложного обнаружения паттернов - «у одного пациента миллионы паттернов мутаций, которые совершенно по-разному связаны с другим» - требует большей гибкости и универсальности, чем нейронные сети, которые в настоящее время привлекают большую часть внимания в здравоохранении, согласно Бхакди ,

Будущее медицины

Эти два подхода к более точному выявлению и лечению рака являются частью волны роста ИИ в здравоохранении , которая вряд ли остановится. Широкомасштабное внедрение ИИ может привести к созданию полностью проактивной системы здравоохранения, которая превентивно реагирует на болезни, а не на лечение больных людей - «здравоохранение, а не лечение», - говорит Бхакди. Конечно, без надлежащей экспертизы данных на местах ИИ будет трудно влиять на реальные изменения. «99,9% врачей не могут участвовать в беседе с ИИ, - говорит Бхакди, - медицинские эксперты должны включать науку о данных в свою повседневную жизнь».

Помимо недостатка данных, мышление и профессиональные изменения являются основными препятствиями для ИИ в здравоохранении. Но если такие приложения, как Lunit и Quantgene, могут заявить о себе - и, что более важно, понять - медицинскому сообществу в целом, то ИИ станет мощным оружием в борьбе с раком.