La información visual (imágenes microscópicas y de rayos X, tomografías computarizadas y resonancias magnéticas, por ejemplo) combinada con texto (notas de exámenes, comunicación entre médicos de diferentes especialidades) es un componente clave de la atención del cáncer. Pero a medida que la inteligencia artificial ayuda a los médicos a revisar imágenes y detectar anomalías relacionadas con enfermedades, como células con formas anormales, se ha vuelto difícil crear modelos computarizados que puedan incorporar múltiples tipos de datos.
Ahora investigadores de Stanford Medicine han desarrollado un modelo de IA capaz de incorporar información visual y basada en el lenguaje. Después de entrenar con 50 millones de imágenes médicas de diapositivas de patología estándar y más de mil millones de textos relacionados con la patología, el modelo superó a los métodos estándar en su capacidad para predecir miles de personas con diferentes tipos de cáncer, incluidos los cánceres de pulmón o gastroesofágicos con mayor probabilidad de beneficiarse. inmunoterapia y melanoma para identificar a las personas afectadas cuyo cáncer tiene más probabilidades de reaparecer.
Los investigadores denominaron MUSK al modelo de transformador multimodal con modelado de máscara unificada. MUSK representa una marcada desviación de la forma en que se utiliza actualmente la inteligencia artificial en entornos de atención clínica, y los investigadores creen que transformará la forma en que la inteligencia artificial puede guiar la atención al paciente.
“MUSC puede predecir con precisión el pronóstico de personas con diferentes tipos y etapas de cáncer”, afirmó el Dr. Ruijiang Li, profesor asociado de oncología radioterápica. “Diseñamos MUSK porque, en la práctica clínica, los médicos nunca dependen de un solo tipo de datos para tomar decisiones clínicas. Queríamos utilizar múltiples tipos de datos para obtener más información y hacer predicciones más precisas sobre los resultados de los pacientes”.
Lee, miembro del Instituto del Cáncer de Stanford, es el autor principal del estudio, que se publicó el 8 de enero. la naturaleza. Los académicos postdoctorales Jinxi Jiang, PhD, y Jiu Wang, PhD, son los autores principales del estudio.
Aunque las herramientas de inteligencia artificial se utilizan cada vez más en la clínica, se utilizan principalmente para el diagnóstico (¿esta imagen microscópica o esta exploración muestra signos de cáncer?), no (¿cuáles son los resultados clínicos probables para esta persona y qué terapia es más efectiva para una persona?). ¿individual?).
Parte del desafío es construir modelos con grandes cantidades de datos etiquetados (por ejemplo, un portaobjetos de microscopio de una porción de tejido pulmonar con un tumor canceroso) y datos emparejados (en este caso, el cuadro clínico del paciente). Contiene notas) de aquellos a los que se les ha encontrado tumores). Pero es difícil conseguir conjuntos de datos cuidadosamente seleccionados y anotados.
Herramientas disponibles en el mercado
En términos de inteligencia artificial, MUSK se denomina modelo base. Los modelos básicos entrenados con grandes cantidades de datos se pueden personalizar con capacitación adicional para realizar tareas específicas. Los investigadores diseñaron MUSK para utilizar datos multimodales no emparejados que no cumplen con los requisitos tradicionales para entrenar inteligencia artificial, de modo que el conjunto de datos que la computadora puede usar para “aprender” durante el entrenamiento inicial se amplía en varios órdenes de magnitud. Con esta ventaja, cualquier capacitación posterior se realiza con conjuntos de datos mucho más pequeños y especializados. De hecho, MUSK es una herramienta lista para usar que los médicos pueden utilizar para ayudar a responder preguntas clínicas específicas.
“La mayor necesidad clínica insatisfecha es la de contar con modelos que los médicos puedan utilizar para guiar el tratamiento de los pacientes”, afirmó Lee. “¿Este paciente necesita este medicamento? ¿O deberíamos centrarnos en otros tipos de terapia? Actualmente, los médicos utilizan información como la estadificación de la enfermedad y genes o proteínas específicos para tomar estas decisiones, pero no siempre es precisa”.
Los investigadores recopilaron portaobjetos microscópicos de secciones de tejido, informes de patología correspondientes y datos de seguimiento (incluido cómo les fue a los pacientes) del Atlas del Genoma del Cáncer, una base de datos nacional para personas con 16 tipos principales de cáncer, incluidos los de mama, pulmón, colorrectal y páncreas. . , riñones, vejiga, cabeza y cuello. Utilizaron los datos para entrenar a MUSK para predecir la supervivencia específica de una enfermedad, o el porcentaje de personas que no murieron de una enfermedad en particular en un período de tiempo determinado.
Para todos los tipos de cáncer, MUSK predijo correctamente la supervivencia específica de la enfermedad de un paciente el 75% de las veces. Por el contrario, las predicciones estándar basadas en el estadio del cáncer de una persona y otros factores de riesgo clínicos fueron correctas el 64% de las veces.
En otro ejemplo, los investigadores entrenaron a MUSK para que utilizara miles de puntos de datos para predecir qué pacientes con cáncer de pulmón o cáncer del tracto gástrico y esofágico podrían beneficiarse más de la inmunoterapia.
“Actualmente, el principal determinante de si a un paciente se le administrará cierto tipo de inmunoterapia depende de si el tumor de esa persona expresa una proteína llamada PD-L1”, dijo Lee. “Es un biomarcador compuesto de una sola proteína. Por el contrario, podemos utilizar la inteligencia artificial para evaluar cientos o miles de bits de datos, incluidas imágenes de tejidos, así como datos demográficos del paciente, historial médico, tratamientos anteriores y pruebas de laboratorio. De notas clínicas Una vez recopilados, podemos determinar con mayor precisión quién puede beneficiarse.”
Para el cáncer de pulmón de células no pequeñas, MUSK identificó correctamente a los pacientes que se beneficiaron del tratamiento de inmunoterapia aproximadamente el 77% de las veces. Por el contrario, el método estándar para predecir la respuesta a la inmunoterapia basado en la expresión de PD-L1 fue preciso aproximadamente el 61% de las veces.
Se obtuvieron resultados similares cuando los investigadores entrenaron a MUSK para predecir que las personas con melanoma tenían más probabilidades de recaer dentro de los cinco años posteriores al tratamiento inicial. En este caso, el modelo fue correcto aproximadamente el 83% de las veces, lo que es aproximadamente un 12% más preciso que las predicciones generadas por otros modelos básicos.
“Lo que es único de MUSK es su capacidad de incluir datos multimodales no emparejados en el preentrenamiento, lo que aumenta significativamente la escala de los datos en comparación con los datos emparejados requeridos para otros modelos”, dijo Lee. “Observamos que para todas las tareas de predicción clínica, los modelos que integran múltiples tipos de datos superaron consistentemente a aquellos basados únicamente en imágenes o datos de texto. La capacidad de utilizar datos multimodales no emparejados con modelos de inteligencia artificial como MUSK es un avance importante. La inteligencia artificial ayuda Los médicos mejoran la atención al paciente”.
Investigadores de la Facultad de Medicina de Harvard contribuyeron al trabajo.
La investigación fue financiada por los Institutos Nacionales de Salud (subvenciones R01CA222512, R01CA233578, R01CA269599, R01CA285456, R01CA290715 y R01DE030894) y el Instituto Stanford de Artefactos Centrales Humanos.