Nowoczesne rozwiązania sztucznej inteligencji w walce z rakiem
Sztuczna inteligencja (AI) w medycynie zyskuje na znaczeniu, szczególnie w leczeniu schorzeń o wysokim stopniu złożoności, takich jak nowotwory. Zintegrowanie obrazów diagnostycznych, takich jak zdjęcia mikroskopowe, tomografia komputerowa czy rezonans magnetyczny, z informacjami tekstowymi, takimi jak notatki lekarskie czy korespondencje między specjalistami, to kluczowy element w kompleksowej opiece onkologicznej. Chociaż AI odgrywa coraz większą rolę w analizie obrazów i wykrywaniu anomalii związanych z chorobami, opracowanie modeli zdolnych do jednoczesnego przetwarzania tak różnorodnych danych było dotychczas ogromnym wyzwaniem.
Naukowcy ze Stanford Medicine dokonali przełomu. Stworzyli innowacyjny model AI o nazwie MUSK (Multimodal Transformer with Unified Mask Modeling), który potrafi skutecznie łączyć dane wizualne i tekstowe. Dzięki treningowi na 50 milionach medycznych obrazów oraz miliardzie tekstów związanych z patologią, MUSK przewyższa dotychczasowe metody w przewidywaniu prognoz dla pacjentów z różnymi rodzajami raka. Model ten nie tylko identyfikuje pacjentów, którzy mogą odnieść korzyści z immunoterapii w przypadku raka płuc czy przewodu pokarmowego, ale także przewiduje, u których osób z czerniakiem może nastąpić wznowa choroby.
Rewolucyjne możliwości modelu MUSK
MUSK to wyjątkowe narzędzie, które odpowiada na fundamentalne wymagania kliniczne. Jak podkreśla Ruijiang Li, profesor onkologii radiacyjnej z Uniwersytetu Stanforda: „Lekarze w praktyce nigdy nie polegają wyłącznie na jednym typie danych przy podejmowaniu decyzji. Stworzyliśmy MUSK, aby wykorzystać różnorodne informacje i uzyskać bardziej precyzyjne prognozy dotyczące wyników zdrowotnych pacjentów”.
Wyniki badań opublikowane w prestiżowym czasopiśmie „Nature” dowodzą, że MUSK znacząco wyprzedza tradycyjne metody analizy. Przykładowo, model poprawnie przewidywał specyficzne przeżywalności związane z nowotworami w 75% przypadków, w porównaniu do 64% w przypadku metod opartych wyłącznie na klasyfikacji stopnia zaawansowania raka.
Nowy standard w zastosowaniach sztucznej inteligencji
Dotychczas narzędzia AI wykorzystywane w medycynie skupiały się głównie na diagnostyce – np. na analizie obrazów mikroskopowych w celu wykrycia oznak raka. Znaczenie prognozowania, czyli przewidywania przebiegu choroby czy skuteczności terapii, wciąż nie zostało w pełni wykorzystane. Wyzwaniem było zebranie dużych, precyzyjnie opisanych i sparowanych danych medycznych, co jest procesem czasochłonnym i kosztownym.
Model MUSK zmienia tę sytuację. Jako tzw. model podstawowy, został przeszkolony na ogromnej bazie danych bez potrzeby parowania danych wizualnych z tekstowymi. Dzięki temu naukowcy mogą wykorzystać znacznie większe zbiory informacji, a dalsze dostosowywanie modelu dla konkretnych celów klinicznych wymaga znacznie mniejszych nakładów. MUSK działa więc jak „gotowe narzędzie”, które lekarze mogą dostosować do swoich potrzeb.
Przełomowe wyniki w ocenie terapii i prognozowaniu
Jednym z najbardziej palących potrzeb klinicznych jest stworzenie modeli służących do precyzyjnego dobierania terapii dla pacjentów. Obecnie decyzje dotyczące leczenia opierają się na takich czynnikach, jak stadium choroby czy obecność określonych genów lub białek. Choć pomocne, te dane często nie są wystarczająco precyzyjne.
Dzięki MUSK, naukowcy byli w stanie przewidzieć skuteczność immunoterapii w przypadku pacjentów z rakiem płuc z dokładnością 77%, w porównaniu do zaledwie 61% przy tradycyjnych metodach opartych na analizie ekspresji pojedynczego biomarkera, takiego jak białko PD-L1. Podobne wyniki uzyskano w prognozowaniu nawrotów czerniaka – MUSK osiągnął dokładność 83%, co stanowiło 12% lepszy wynik w porównaniu do innych modeli używanych w tym celu.
Multimodalność – klucz do przyszłości medycyny
Istotą sukcesu MUSK jest możliwość przetwarzania niepowiązanych ze sobą danych multimodalnych, takich jak obrazy tkanek pochodzące z mikroskopu oraz dane tekstowe z dokumentacji pacjentów. „Modele integrujące różne typy informacji systematycznie przewyższają te, które bazują wyłącznie na obrazach lub tekstach” – zauważa profesor Li.
Takie podejście nie tylko poprawia jakość analizy, ale także zwiększa potencjał sztucznej inteligencji w pomaganiu lekarzom w podejmowaniu decyzji. Dzięki MUSK, opieka nad pacjentami onkologicznymi może wejść na nowy, bardziej precyzyjny poziom, co w dłuższej perspektywie może przyczynić się do poprawy wyników leczenia i jakości życia pacjentów.
Wsparcie i dalszy rozwój
Badania nad modelem MUSK zostały wsparte przez Harvard Medical School oraz finansowane z funduszy Narodowego Instytutu Zdrowia (National Institutes of Health) oraz Stanford Institute for Human-Centered Artificial Intelligence. Jak dowodzą uzyskane wyniki, integracja sztucznej inteligencji w onkologii to droga do przełomowych zmian, które mają szansę zrewolucjonizować współczesną medycynę.
