Nowe narzędzie sztucznej inteligencji do leczenia raka

Nowy system sztucznej inteligencji, opisany 4 września w Natura, idzie o krok dalej niż wiele obecnych podejść do diagnostyki raka opartych na sztucznej inteligencji – twierdzą badacze. (DOI 10.1038/s41586-024-07894-z)

Obecne systemy AI są zazwyczaj szkolone do wykonywania określonych zadań — takich jak wykrywanie obecności raka lub przewidywanie profilu genetycznego guza — i mają tendencję do działania tylko w przypadku kilku typów raka. Natomiast nowy model może wykonywać szeroki wachlarz zadań i został przetestowany na 19 typach raka, co zapewnia mu elastyczność porównywalną z dużymi modelami językowymi, takimi jak ChatGPT.

Chociaż niedawno pojawiły się inne podstawowe modele sztucznej inteligencji do diagnostyki medycznej bazujące na obrazach patologicznych, uważa się, że ten jest pierwszym, który pozwala przewidywać wyniki leczenia pacjentów i weryfikować je w kilku międzynarodowych grupach pacjentów.

„Naszą ambicją było stworzenie zwinnej, wszechstronnej platformy AI podobnej do ChatGPT, która może wykonywać szeroki zakres zadań oceny raka” — powiedział starszy autor badania Kun-Hsing Yu, adiunkt informatyki biomedycznej w Instytucie Blavatnika w Harvard Medical School. „Nasz model okazał się bardzo przydatny w wielu zadaniach związanych z wykrywaniem raka, prognozowaniem i reakcją na leczenie w przypadku wielu nowotworów”.

Model AI, który działa poprzez odczytywanie cyfrowych slajdów tkanek guza, wykrywa komórki nowotworowe i przewiduje profil molekularny guza na podstawie cech komórkowych widocznych na obrazie z większą dokładnością niż większość obecnych systemów AI. Może prognozować przeżycie pacjenta w przypadku wielu typów raka i dokładnie lokalizować cechy w tkance otaczającej guz — znanej również jako mikrośrodowisko guza — które są związane z reakcją pacjenta na standardowe leczenie, w tym operację, chemioterapię, radioterapię i immunoterapię. Na koniec zespół powiedział, że narzędzie wydaje się być zdolne do generowania nowych spostrzeżeń — zidentyfikowało specyficzne cechy guza, o których wcześniej nie wiedziano, że są powiązane z przeżyciem pacjenta.

Zespół badawczy stwierdził, że wyniki badań stanowią potwierdzenie rosnącej liczby dowodów na to, że metody wspomagane przez sztuczną inteligencję mogą usprawnić proces oceny nowotworów przez lekarzy, a także umożliwić identyfikację pacjentów, którzy mogą nie reagować dobrze na standardowe terapie onkologiczne.

„Jeśli nasze podejście zostanie poddane dalszej weryfikacji i szeroko wdrożone, a także podobne do naszego, będzie można wcześnie zidentyfikować pacjentów onkologicznych, którzy mogą skorzystać z eksperymentalnych metod leczenia ukierunkowanych na określone warianty molekularne, co nie jest jednakowe na całym świecie” – powiedział Yu.

Trening i wydajność

Najnowsze prace zespołu opierają się na wcześniejszych badaniach Yu nad systemami AI do oceny raka jelita grubego i guzów mózgu. Te wcześniejsze badania wykazały wykonalność podejścia w określonych typach nowotworów i określonych zadaniach.

Nowy model, zwany CHIEF (Clinical Histopathology Imaging Evaluation Foundation), został wytrenowany na 15 milionach nieoznakowanych obrazów podzielonych na interesujące sekcje. Następnie narzędzie zostało dodatkowo wytrenowane na 60 000 całych obrazach tkanek, w tym płuc, piersi, prostaty, jelita grubego, żołądka, przełyku, nerek, mózgu, wątroby, tarczycy, trzustki, szyjki macicy, macicy, jajników, jąder, skóry, tkanek miękkich, nadnerczy i pęcherza moczowego. Wytrenowanie modelu tak, aby uwzględniał zarówno określone sekcje obrazu, jak i cały obraz, pozwoliło mu powiązać określone zmiany w jednym regionie z ogólnym kontekstem. To podejście, jak twierdzą badacze, pozwoliło CHIEF interpretować obraz bardziej holistycznie, biorąc pod uwagę szerszy kontekst, zamiast skupiać się tylko na określonym regionie.

Po przeszkoleniu zespół przetestował działanie systemu CHIEF na ponad 19 400 obrazach całych slajdów pochodzących z 32 niezależnych zestawów danych zebranych z 24 szpitali i kohort pacjentów na całym świecie.

Ogólnie rzecz biorąc, CHIEF przewyższył inne najnowocześniejsze metody AI nawet o 36 procent w następujących zadaniach: wykrywanie komórek nowotworowych, identyfikacja pochodzenia guza, przewidywanie wyników leczenia pacjentów i identyfikacja obecności genów i wzorców DNA związanych z odpowiedzią na leczenie. Ze względu na wszechstronne szkolenie, CHIEF działał równie dobrze niezależnie od sposobu pozyskania komórek nowotworowych — czy poprzez biopsję, czy poprzez wycięcie chirurgiczne. I był równie dokładny, niezależnie od techniki użytej do digitalizacji próbek komórek nowotworowych. Ta adaptacyjność, jak twierdzą naukowcy, sprawia, że ​​CHIEF nadaje się do użytku w różnych warunkach klinicznych i stanowi ważny krok naprzód w stosunku do obecnych modeli, które zwykle działają dobrze tylko podczas odczytu tkanek uzyskanych za pomocą określonych technik.

Wykrywanie raka

CHIEF osiągnął niemal 94-procentową dokładność w wykrywaniu raka i znacząco przewyższył obecne podejścia AI w 15 zestawach danych zawierających 11 typów raka. W pięciu zestawach danych biopsji zebranych od niezależnych kohort, CHIEF osiągnął 96-procentową dokładność w przypadku wielu typów raka, w tym przełyku, żołądka, jelita grubego i prostaty. Kiedy naukowcy testowali CHIEF na wcześniej niewidzianych slajdach z chirurgicznie usuniętych guzów jelita grubego, płuc, piersi, endometrium i szyjki macicy, model działał z dokładnością przekraczającą 90 procent.

Przewidywanie profili molekularnych nowotworów

Genetyczny skład guza zawiera kluczowe wskazówki, które pozwalają określić jego przyszłe zachowanie i optymalne metody leczenia. Aby uzyskać te informacje, onkolodzy zlecają sekwencjonowanie DNA próbek guza, ale takie szczegółowe profilowanie genomiczne tkanek nowotworowych nie jest wykonywane rutynowo ani jednolicie na całym świecie ze względu na koszty i czas potrzebny na wysłanie próbek do wyspecjalizowanych laboratoriów sekwencjonowania DNA. Nawet w regionach o dobrych zasobach proces ten może potrwać kilka tygodni. To luka, którą sztuczna inteligencja mogłaby wypełnić, powiedział Yu.

Szybka identyfikacja wzorców komórkowych na obrazie sugerującym określone aberracje genomowe może okazać się szybką i niedrogą alternatywą dla sekwencjonowania genomowego – twierdzą naukowcy.

CHIEF przewyższył obecne metody AI w przewidywaniu zmienności genomicznych w guzie, patrząc na preparaty mikroskopowe. To nowe podejście AI skutecznie zidentyfikowało cechy związane z kilkoma ważnymi genami związanymi ze wzrostem i supresją raka oraz przewidziało kluczowe mutacje genetyczne związane z tym, jak dobrze guz może reagować na różne standardowe terapie. CHIEF wykrył również specyficzne wzorce DNA związane z tym, jak dobrze guz jelita grubego może reagować na formę immunoterapii zwaną blokadą punktów kontrolnych odporności. Podczas przeglądania obrazów całych tkanek, CHIEF zidentyfikował mutacje w 54 powszechnie zmutowanych genach nowotworowych z ogólną dokładnością ponad 70 procent, przewyższając obecną najnowocześniejszą metodę AI do genomicznego przewidywania raka. Jego dokładność była większa w przypadku określonych genów w określonych typach raka.

Zespół testował również CHIEF pod kątem jego zdolności do przewidywania mutacji związanych z odpowiedzią na zatwierdzone przez FDA terapie celowane w 18 genach obejmujących 15 miejsc anatomicznych. CHIEF osiągnął wysoką dokładność w wielu typach nowotworów, w tym 96 procent w wykrywaniu mutacji w genie o nazwie EZH2, powszechnej w raku krwi zwanym rozlanym chłoniakiem z dużych komórek B. Osiągnął 89 procent w przypadku mutacji genu BRAF w raku tarczycy i 91 procent w przypadku mutacji genu NTRK1 w nowotworach głowy i szyi.

Prognozowanie przeżycia pacjenta

CHIEF skutecznie przewidział przeżycie pacjentów na podstawie obrazów histopatologicznych guza uzyskanych w momencie wstępnej diagnozy. We wszystkich typach nowotworów i wszystkich badanych grupach pacjentów CHIEF odróżniał pacjentów z dłuższym przeżyciem od tych z krótszym przeżyciem. CHIEF przewyższył inne modele o 8 procent. A u pacjentów z bardziej zaawansowanymi nowotworami CHIEF przewyższył inne modele AI o 10 procent. Podsumowując, zdolność CHIEF do przewidywania wysokiego lub niskiego ryzyka zgonu została przetestowana i potwierdzona w próbkach pacjentów z 17 różnych instytucji.

Wyciąganie nowych wniosków na temat zachowania guza

Model zidentyfikował charakterystyczne wzorce na obrazach związane z agresywnością guza i przeżyciem pacjenta. Aby zwizualizować te obszary zainteresowania, CHIEF wygenerował mapy cieplne na obrazie. Kiedy ludzcy patolodzy przeanalizowali te gorące punkty pochodzące z AI, zobaczyli intrygujące sygnały odzwierciedlające interakcje między komórkami nowotworowymi a otaczającymi tkankami. Jedną z takich cech była obecność większej liczby komórek odpornościowych w obszarach guza u osób, które przeżyły dłużej, w porównaniu z osobami, które przeżyły krócej. To odkrycie, jak zauważył Yu, ma sens, ponieważ większa obecność komórek odpornościowych może wskazywać, że układ odpornościowy został aktywowany w celu zaatakowania guza.

Przyglądając się guzom u osób, które przeżyły krócej, CHIEF zidentyfikował obszary zainteresowania, które charakteryzowały się nieprawidłowymi proporcjami wielkości między różnymi składnikami komórek, bardziej nietypowymi cechami jąder komórek, słabymi połączeniami między komórkami i mniejszą obecnością tkanki łącznej w obszarze otaczającym guz. Te guzy miały również większą obecność obumierających komórek wokół nich. Na przykład w przypadku guzów piersi CHIEF wskazał jako obszar zainteresowania obecność martwicy — lub śmierci komórek — wewnątrz tkanek. Z drugiej strony, nowotwory piersi o wyższych wskaźnikach przeżycia częściej zachowywały architekturę komórkową przypominającą zdrowe tkanki. Cechy wizualne i obszary zainteresowania związane z przeżyciem różniły się w zależności od rodzaju raka, zauważył zespół.

Następne kroki

Naukowcy poinformowali, że planują udoskonalić działanie sondy CHIEF i rozszerzyć jej możliwości poprzez:

• Przeprowadzenie dodatkowych szkoleń na temat obrazów tkanek pochodzących z rzadkich chorób i schorzeń nienowotworowych
• Włączając próbki z tkanek przednowotworowych zanim komórki staną się w pełni nowotworowe
• Wystawienie modelu na działanie większej ilości danych molekularnych w celu zwiększenia jego zdolności do identyfikacji nowotworów o różnym poziomie agresywności
• Szkolenie modelu w celu przewidywania korzyści i skutków ubocznych nowych metod leczenia raka oprócz standardowych metod leczenia