Может ли ИИ помочь докторам диагностировать рак?

Правильно диагностировать рак у пациента и выявить конкретный тип заболевания имеет большое значение для успешного лечения.

Сегодня ваш врач может поставить диагноз на основе дюжины подобных случаев и большой книги рекомендаций. Но что если он мог бы вместо этого ввести результаты анализов и медицинскую историю в компьютерную программу, которая обработала ранее миллионы подобных случаев?

Такого рода будущее выглядит все более возможным благодаря исследователям из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL). Команда из Массачусетского общего госпиталя (MGH), аспирантка Юань Луо и профессор Массачусетского технологического института Питер Шоловиц разработали вычислительную модель, которая может автоматически предложить диагноз рака путем изучения массивов данных из предыдущих  отчетов. Работа была опубликована в журнале Американской ассоциации, занимающейся медицинскими информационными системами.

Исследователи сосредоточились на трех самых распространенных подтипах лимфомы, виде рака с более чем 50 различных подтипов, которые часто трудно отличить. По словам Ефрэйма Гохберга, директора Центра исследования лимфомы Массачусетского общего госпиталя и одного из соавторов работы, от 5 до 15 процентов случаев лимфомы первоначально неправильно диагностируются или классифицируются, что может быть серьезной проблемой, так как различные типы лимфомы требуют разных методов лечения.

К примеру, Гохберг недавно осматривал пациента, которому был ошибочно поставлен диагноз неизлечимой лимфомы. Если бы он не поставил точный диагноз, а применил агрессивный план лечения, то, возможно, было бы слишком поздно противодействовать раку.

Классификация лимфомы уже давно является источником дискуссий для патологоанатомов и клиницистов. Было минимум  пять различных наборов руководящих принципов до 2001 года, когда Всемирная организация здравоохранения (ВОЗ) опубликовала единую классификацию. В 2008 году ВОЗ пересмотрела свои руководящие принципы при участии руководящего комитета в составе восьми членов и более 130 патологоанатомов и гематологов по всему миру. Кроме того, лишь около 1400 случаев из Европы и Северной Америки были рассмотрены, чтобы охватить 50 подтипов, а это означает, что в среднем критерии диагностики основаны на том, что произошло с ограниченным числом людей.

Между тем, крупные медицинские учреждения, такие как Массачусетский общий госпиталь, часто архивируют отчеты о патологиях за десятилетия. Это заставило исследователей Массачусетского технологического института думать о том, могут ли они задействовать эти ресурсы для разработки автоматизированных инструментов, которые могли бы улучшить понимание врачами того, как диагностировать типы лимфомы.

"Важно убедиться, что руководящие принципы классификации являются современными и точно представленными с большим количеством реальных случаев, - говорит Луо, который является главным автором исследования. - Наша работа рассматривает подробные медицинские случаи, чтобы помочь врачам более полно охватить тонкие различия между типами лимфом".

Луо подчеркивает, что такие модели машинного обучения должны быть не только точными, но и понятными для врачей. Критерии руководящих принципов ВОЗ изложены с помощью панели результатов тестов, которые связаны с такими медицинскими понятиями, как опухолевые клетки и поверхностные антигены. Для того чтобы охватить эти связи, исследователи преобразовали выводы из отчетов о патологиях в виде граф, где узлы граф – это медицинские понятия, а крайние графы - это синтаксические/семантические зависимости. Как описано в их предыдущей работе, они собирают часто встречающиеся подграфы, соответствующие связям, которые определяют результаты тестов.

"Рассуждения клиницистов касательно диагностики  основаны на результатах нескольких тестов, - говорит Луо. - Поэтому мы должны автоматически группировать подграфы таким образом, чтобы они соответствовали панели результатов. Это делает модель интерпретируемой для врачей, и она уже не является «черным ящиком», как они часто отзываются о многих других моделях машинного обучения".

Основным вкладом данной работы является использование метода, называемого Дополненной неотрицательной тензорной факторизацией подграф (SANTF). В SANTF данные из более 800 медицинских случаев организованы в виде трехмерной таблицы, где каждая графа соответствует определенному типу данных. Изучив полученные кластеры, исследователи могут связать результаты тестов с подтипами лимфомы.

"Работа Луо обещает (при применении к большим массивам данных), что диагностические критерии будут информировать врачей о том, как понять диапазон типов лимфомы и их клинические связи  одного с другим", - говорит Питер Шоловиц.

"Большая часть исследований в сфере обработки естественного языка в клинической отчетности сосредоточена на выявлении важных фраз или характеристик, а не на более сложной задаче определения связей и понятий, - объясняет профессор Венди Чэпмэн, председатель отдела биомедицинской информатики в Университете штата Юта. - Медицинские эксперты с многолетним опытом могут понять не только слова, но и более глубокие последствия. Это исследование на шаг приближает нас к разработке надежных компьютерных моделей, которые могут дать достойный уровень понимания".

К тому же модель SANTF не требует помеченных учебных данных, что позволяет автоматизировать процесс получения знаний. Шоловиц уверен, что эта командная модель может помочь врачам провести более точный диагноз лимфомы, основанный на более полных доказательствах, и может даже быть включена в будущем в список руководящих принципов ВОЗ.

"Наша конечная цель состоит в том, чтобы иметь возможность сосредоточиться на этих методах, так как существует чрезвычайно большое количество данных о типах лимфомы, миллионы случаев, - говорит Шоловиц. - Если мы сможем это сделать и определить признаки, которые являются специфическими для разных подтипов, то значительно приблизимся к тому, чтобы облегчить работу врачей, и, может быть, продлим жизнь пациентам". опубликовано econet.ru