Umělá inteligence mění životy: Měřitelný dopad na rakovinu

Využití velkých dat ke zlepšení umělé inteligence v detekci a léčbě rakoviny

Integrace umělé inteligence do procesu rozhodování ve zdravotnictví pomáhá revolucionalizovat toto odvětví a vést k přesnějším a konzistentnějším rozhodnutím o léčbě díky její téměř neomezené schopnosti identifikovat vzory, které jsou příliš složité pro lidské oči.

Obor onkologie generuje enormní datové sady, od nestrukturovaných klinických historií po data zobrazení a genomického sekvenování, v různých fázích pacientovy cesty. Umělá inteligence může „inteligentně“ analyzovat velké datové sady rychleji než tradiční metody, což je zásadní pro trénování algoritmů strojového učení, které jsou základem pro pokročilé nástroje pro testování a monitorování rakoviny. Umělá inteligence také má obrovskou schopnost rozpoznávat vzory pro efektivní modelování složitostí datových sad. To je důležité, protože umožňuje hlubší, vícesvrstvé porozumění dopadu jemných molekulárních signatur v rakovinové genomice a mikroprostředí tumoru. Objevování vzoru mezi geny, které se nacházejí pouze v určité podskupině rakovinových případů nebo vzorcích progrese rakoviny, může vést k více personalizovanému přístupu k léčbě.

Jaký je konečný cíl? Testy rakoviny poháněné umělou inteligencí, které podporují klinická rozhodování pro lékaře a jejich pacienty na každém kroku rakovinové cesty – od screeningu a detekce, až po identifikaci správné léčby a monitorování pacientů a předpovídání recidivy.

Kvalita a množství dat: Klíč k úspěchu umělé inteligence

V konečném důsledku bude algoritmus umělé inteligence tak dobrý, jak kvalitní jsou data, která ho trénují. Špatná, neúplná nebo nesprávně označená data mohou omezit schopnost umělé inteligence najít nejlepší vzory (špatná data, špatné výsledky). To je zvláště pravdivé pro péči o rakovinu, kde prediktivní modelování závisí na bezchybné přesnosti – jedna modifikace genu z tisíce, například, může signalizovat vývoj tumoru a informovat o časném záchytu. Zajištění takové vysoké úrovně kvality je časově náročné a nákladné, ale vede k lepšímu datu, které výsledně vede k optimální přesnosti testů. Rozvoj užitečného zdroje dat je však spojen s významnými výzvami. Jednou z nich je sběr velkého množství genomických a molekulárních dat, které mohou zahrnovat miliony datových bodů. Začíná to tím, že máte nejvyšší kvalitu testů, které měří tyto charakteristiky rakoviny s bezchybnou přesností a rozlišením. Molekulární data, která jsou sbírána, musí být také co nejvíce rozmanitá z hlediska geografie a reprezentace pacientů, aby se rozšířila prediktivní kapacita trénovacích modelů. Také se bénéficuje z dlouhodobých multidisciplinárních spoluprací a partnerství, které mohou pomoci shromáždit a zpracovat surová data pro analýzu. Nakonec je kodifikace striktních etických standardů v nakládání s daty zásadně důležitá, pokud jde o zdravotnické informace a dodržování přísných předpisů na ochranu soukromí pacientů, které mohou někdy představovat výzvu při sběru dat.

Hojnost přesných a podrobných dat nejenom povede k možnostem testování, které mohou najít vzory rychle a poskytnout lékařům nejlepší příležitost řešit nezodpovězené potřeby svých pacientů, ale také verbessí a posune každý aspekt klinického výzkumu, zejména naléhavý búsqueda lepších léků a biomarkerů pro rakovinu.

Umělá inteligence již ukazuje slib v péči o rakovinu a léčbě

Efektivnější způsoby trénování umělé inteligence jsou již implementovány. Moji kolegové a já trénujeme algoritmy z komplexního pole dat, včetně výsledků zobrazování, dat z biopsie, různých forem genomického sekvenování a proteinových biomarkerů, mezi jinými analýzami – všechny tyto faktory se přidávají k enormnímu množství trénovacích dat. Naše schopnost generovat data v rozsahu kvadrilionů spíše než miliard nám umožnila vybudovat některé z prvních skutečně přesných prediktivních analytik v klinickém použití, jako je identifikace tumoru pro pokročilé rakoviny neznámého původu nebo prediktivní chemoterapeutické léčebné cesty zahrnující jemné genetické variace.

V Caris Life Sciences jsme prokázali, že rozsáhlá validace a testování algoritmů jsou nezbytná, srovnání s reálnými důkazy hrají klíčovou roli. Například naše algoritmy, které jsou trénovány k detekci specifických rakovin, se beneficují z validace proti laboratorním histologickým datům, zatímco předpovědi umělé inteligence pro léčebné režimy mohou být porovnány s reálnými klinickými výsledky přežití.

Dáno rychlým pokrokem ve výzkumu rakoviny, zkušenosti naznačují, že kontinuální učení a rafinace algoritmů jsou integrální částí úspěšné strategie umělé inteligence. Jak jsou vyvíjeny nové léčby a naše porozumění biologickým cestám, které pohání rakovinu, se vyvíjí, aktualizace modelů s nejnovějšími informacemi nabízí hlubší vhledy a zvyšuje citlivost detekce.

Tento proces kontinuálního učení zdůrazňuje důležitost široké spolupráce mezi vývojáři umělé inteligence a klinickými a výzkumnými komunitami. Zjistili jsme, že vývoj nových nástrojů pro analýzu dat rychleji a s větší citlivostí, spojený s反ezením od onkologů, je zásadní. Hlavní závěr: skutečným měřítkem úspěchu algoritmu umělé inteligence je, jak přesně vybavuje onkology spolehlivými, prediktivními informacemi, které potřebují, a jak adaptabilní je strategie umělé inteligence na stále se měnící léčebné paradigmy.

Reálné aplikace umělé inteligence již zvyšují míru přežití a zlepšují management rakoviny

Pokroky v rozsahu a kvalitě dat již měly měřitelný dopad rozšířením nástrojů pro rozhodování lékařů, což mělo pozitivní výsledky na péči o pacienty a výsledky přežití. První klinicky validovaný nástroj umělé inteligence pro navigaci v léčebných možnostech chemoterapie pro obtížně léčitelnou metastazující rakovinu může potenciálně prodloužit přežití pacienta o 17,5 měsíce, ve srovnání s rozhodnutím o léčbě bez prediktivních algoritmů¹. Jiný nástroj umělé inteligence může předpovědět s přesností vyšší než 94 % tumor původu pro desítky metastazujících rakovin² – což je zásadní pro vytvoření účinného léčebného plánu. Algoritmy umělé inteligence také předpovídají, jak dobře bude tumor reagovat na imunoterapii na základě jedinečné genetiky tumoru každého pacienta. V každém z těchto případů nástroje umělé inteligence umožňují klinické rozhodování, které zlepšuje výsledky pacientů ve srovnání se současnými standardy péče.

Čekáme revoluci umělé inteligence v rakovině

Umělá inteligence již mění, jak brzy můžeme detekovat rakovinu a jak ji léčíme po cestě. Management rakoviny bude brzy zahrnovat lékaře, kteří budou pracovat bok po boku s integrovanou umělou inteligencí v reálném čase, aby léčili a monitorovali pacienty a zůstali o krok před rakovinou, která se snaží vymanit z léků mutacemi. Kromě stále se zlepšujících prediktivních modelů pro detekci rakoviny a poskytování účinnějších personalizovaných léčebných paradigmat, lékaři, výzkumníci a biotechnologické společnosti pracují dnes na využití dat a analýz umělé inteligence, aby poháněly nové terapeutické objevy a molekulární biomarkery pro zítřek.

V blízké budoucnosti tyto dříve nemožné pokroky v oblasti umělé inteligence budou sahát daleko za péči o rakovinu do všech stavů onemocnění, ukončují éru nejistoty a dělají medicínu přesnější, personalizovanější a účinnější.