Mjerljivi utjecaj umjetne inteligencije na rak koji mijenja život

Iskorištavanje velikih podataka za poboljšanje AI u otkrivanju i liječenju raka

Integracija umjetne inteligencije u proces donošenja odluka u zdravstvu pomaže u revoluciji ovog područja i dovodi do točnijih i dosljednijih odluka o liječenju zbog njegove gotovo neograničene sposobnosti da identificira obrasce koji su presloženi da bi ih ljudi vidjeli.

Područje onkologije generira goleme skupove podataka, od nestrukturiranih kliničkih povijesti do podataka o slikama i genomskom sekvenciranju, u različitim fazama pacijentovog putovanja. AI može "inteligentno" analizirati velike serije podataka bržim brzinama od tradicionalnih metoda, što je ključno za obuku algoritama strojnog učenja koji su temelj za napredno testiranje raka i alate za praćenje. AI također ima ogromne inherentne sposobnosti prepoznavanja uzoraka za učinkovito modeliranje složenosti skupa podataka. Ovo je važno jer omogućuje dublje, višeslojno razumijevanje utjecaja nijansiranih molekularnih potpisa u genomici raka i mikrookruženju tumora. Otkrivanje uzorka između gena koji se nalaze samo u određenoj podskupini slučajeva raka ili obrazaca progresije raka može dovesti do prilagođenijeg pristupa liječenju pojedinom pacijentu.

Što je krajnji cilj? Testovi raka pokretani umjetnom inteligencijom koji podržavaju donošenje kliničkih odluka za liječnike i njihove pacijente na svakom koraku putovanja raka – od probira i otkrivanja, do identificiranja pravog liječenja i za praćenje odgovora pacijenata na intervencije i predviđanje recidiva.

Kvaliteta i kvantiteta podataka: ključ uspjeha umjetne inteligencije

U konačnici, algoritam umjetne inteligencije bit će onoliko dobar koliko je dobra kvaliteta podataka koji ga treniraju. Loši, nepotpuni ili nepravilno označeni podaci mogu omesti sposobnost umjetne inteligencije da pronađe najbolje obrasce (smeće unutra, smeće van). To posebno vrijedi za liječenje raka, gdje se prediktivno modeliranje oslanja na besprijekornu preciznost – jedna modifikacija gena od tisuća, na primjer, može signalizirati razvoj tumora i informirati o ranom otkrivanju. Osiguravanje te visoke razine kvalitete je dugotrajno i skupo, ali dovodi do boljih podataka, što rezultira optimalnom preciznošću testiranja. Međutim, razvoj korisnog rudnika podataka dolazi sa značajnim izazovima. Kao prvo, prikupljanje velikih genomskih i molekularnih podataka, koji mogu uključivati ​​milijune podataka, složen je zadatak. Započinje s najkvalitetnijim testovima koji mjere ove karakteristike raka s besprijekornom preciznošću i rezolucijom. Prikupljeni molekularni podaci također moraju biti što raznolikiji u geografskom položaju i zastupljenosti pacijenata kako bi se proširio prediktivni kapacitet modela obuke. Također ima koristi od izgradnje dugoročne multidisciplinarne suradnje i partnerstva koja mogu pomoći u prikupljanju i obradi neobrađenih podataka za analizu. Konačno, kodificiranje strogih etičkih standarda u rukovanju podacima od iznimne je važnosti kada je riječ o zdravstvenim informacijama i poštivanju strogih propisa o privatnosti pacijenata, što ponekad može predstavljati izazov u prikupljanju podataka.

Obilje točnih, detaljnih podataka ne samo da će rezultirati mogućnostima testiranja koje mogu brzo pronaći uzorke i osnažiti liječnike s najboljom prilikom za rješavanje nezadovoljenih potreba svojih pacijenata, već će također poboljšati i unaprijediti svaki aspekt kliničkog istraživanja, posebno hitno pretraživanje za bolje lijekove i biomarkere za rak.

AI već obećava u skrbi i liječenju raka

Učinkovitiji načini treniranja umjetne inteligencije već se primjenjuju. Moji kolege i ja uvježbavamo algoritme iz sveobuhvatnog niza podataka, uključujući rezultate slikanja, podatke biopsije tkiva, više oblika genomskog sekvenciranja i proteinske biomarkere, među ostalim analizama – a sve to čini ogromnu količinu podataka za obuku. Naša sposobnost generiranja podataka na razini od kvadrilijuna umjesto milijardi omogućila nam je da izgradimo neke od prvih uistinu točnih prediktivnih analitika u kliničkoj uporabi, kao što je identifikacija tumora za uznapredovale vrste raka nepoznatog primarnog podrijetla ili prediktivni putovi liječenja kemoterapijom koji uključuju suptilne genetske varijacije .

U Caris Life Sciencesu dokazali smo da je opsežna validacija i testiranje algoritama nužna, pri čemu usporedbe s dokazima iz stvarnog svijeta igraju ključnu ulogu. Na primjer, naši algoritmi obučeni za otkrivanje specifičnih karcinoma imaju koristi od validacije u odnosu na laboratorijske histološke podatke, dok se predviđanja umjetne inteligencije za režime liječenja mogu usporediti s ishodima kliničkog preživljavanja u stvarnom svijetu.

S obzirom na brzi napredak u istraživanju raka, iskustvo sugerira da je kontinuirano učenje i usavršavanje algoritama sastavni dio uspješne strategije umjetne inteligencije. Kako se razvijaju novi tretmani i razvija naše razumijevanje bioloških putova koji pokreću rak, ažuriranje modela s najsvježijim informacijama nudi dublje uvide i poboljšava osjetljivost otkrivanja.

Ovaj kontinuirani proces učenja naglašava važnost široke suradnje između programera umjetne inteligencije i kliničke i istraživačke zajednice. Otkrili smo da je razvoj novih alata za bržu analizu podataka s većom osjetljivošću, uz povratne informacije onkologa, ključan. Zaključak: prava mjera uspjeha algoritma umjetne inteligencije je koliko točno onkologe oprema pouzdanim, prediktivnim uvidima koji su im potrebni i koliko je strategija umjetne inteligencije prilagodljiva stalno promjenjivim paradigmama liječenja.

Primjene umjetne inteligencije u stvarnom svijetu već povećavaju stope preživljavanja i poboljšavaju liječenje raka

Napredak u opsegu i kvaliteti podataka već je imao mjerljive učinke proširenjem liječničkog alata za donošenje odluka, što je u stvarnom svijetu imalo pozitivne rezultate na njegu pacijenata i ishode preživljavanja. Prvi klinički validirani AI alat za navigaciju pri izboru kemoterapije za metastatski rak koji se teško liječi može potencijalno produžiti preživljenje pacijenata za 17.5 mjeseci, u usporedbi sa standardnim odlukama o liječenju donesenim bez prediktivnih algoritama¹. Drugi AI alat može predvidjeti s više od 94% točnosti tumor porijekla za desetke metastatskih karcinoma² – što je ključno za izradu učinkovitog plana liječenja. Algoritmi umjetne inteligencije također predviđaju koliko će dobro tumor odgovoriti na imunoterapiju na temelju jedinstvene tumorske genetike svake osobe. U svakom od ovih slučajeva alati umjetne inteligencije osnažuju donošenje kliničkih odluka koje poboljšavaju ishode pacijenata u usporedbi s trenutnim standardima skrbi.

Očekujte AI revoluciju u raku

AI već mijenja koliko rano možemo otkriti rak i kako ga usput liječiti. U liječenju raka uskoro će liječnici raditi rame uz rame s integriranom umjetnom inteligencijom u stvarnom vremenu kako bi liječili i nadzirali pacijente i bili korak ispred pokušaja raka da nadmudri lijekove s mutacijama. Uz sve bolje prediktivne modele za ranije otkrivanje raka i pružanje učinkovitijih personaliziranih paradigmi liječenja, liječnici, istraživači i biotehnološke tvrtke danas marljivo rade na iskorištavanju podataka i AI analiza kako bi potaknuli nova terapeutska otkrića i molekularne biomarkere za sutra.

U ne tako dalekoj budućnosti, ovi nekoć nemogući pomaci u umjetnoj inteligenciji doseći će mnogo dalje od liječenja raka na sva bolesna stanja, okončati eru neizvjesnosti i učiniti medicinu preciznijom, personaliziranijom i učinkovitijom.