L’impatto rivoluzionario e misurabile dell’AI sul cancro

Sfruttare i Big Data per migliorare l’AI nella rilevazione e nel trattamento del cancro

L’integrazione dell’AI nel processo decisionale sanitario sta aiutando a rivoluzionare il settore e a condurre a decisioni di trattamento più accurate e coerenti grazie alla sua capacità quasi illimitata di identificare modelli troppo complessi per l’uomo.

Il campo dell’oncologia genera enormi set di dati, dalle storie cliniche non strutturate ai dati di imaging e di sequenziamento genetico, in vari stadi del percorso del paziente. L’AI può “intelligentemente” analizzare grandi quantità di dati a velocità più elevate rispetto ai metodi tradizionali, il che è fondamentale per l’addestramento degli algoritmi di apprendimento automatico che sono alla base degli strumenti di testing e monitoraggio avanzati del cancro. L’AI possiede anche notevoli capacità di riconoscimento di modelli per modellare efficientemente le complessità dei set di dati. Ciò è importante perché consente una comprensione più profonda e multilivello dell’impatto delle firme molecolari sottili nella genomica del cancro e nei microambienti tumorali. Scoprire un modello tra geni trovati solo in un certo subset di casi di cancro o modelli di progressione del cancro può portare a un approccio più personalizzato e specifico per il trattamento.

Qual è l’obiettivo finale? I test del cancro alimentati da AI che supportano la presa di decisioni cliniche per i medici e i loro pazienti in ogni fase del percorso del cancro – dalla screening e rilevazione, all’identificazione del trattamento giusto, e per il monitoraggio della risposta dei pazienti agli interventi e la previsione della recidiva.

Qualità e quantità dei dati: la chiave del successo dell’AI

In ultima analisi, un algoritmo di AI sarà solo così buono come la qualità dei dati che lo addestrano. Dati scadenti, incompleti o etichettati in modo errato possono limitare la capacità dell’AI di trovare i migliori modelli (spazzatura dentro, spazzatura fuori). Ciò è particolarmente vero per la cura del cancro, dove la modellazione predittiva si basa su una precisione impeccabile – ad esempio, una sola modifica genetica su migliaia potrebbe segnalare lo sviluppo di un tumore e informare la rilevazione precoce. Garantire quel livello di qualità è un processo lungo e costoso, ma porta a dati migliori, che a loro volta portano a un’accuratezza di testing ottimale. Tuttavia, sviluppare una miniera d’oro di dati presenta sfide significative. Innanzitutto, raccogliere dati genomici e molecolari su larga scala, che possono coinvolgere milioni di punti dati, è un compito complesso. Inizia con l’avere gli assay di alta qualità che misurano queste caratteristiche del cancro con precisione e risoluzione impeccabili. I dati molecolari raccolti devono anche essere il più diversificati possibile in termini di geografia e rappresentanza dei pazienti per ampliare la capacità predittiva dei modelli di addestramento. Ciò beneficia anche della costruzione di collaborazioni e partenariati a lungo termine e multidisciplinari che possono aiutare a raccogliere e elaborare i dati grezzi per l’analisi. Infine, codificare rigorosi standard etici nella gestione dei dati è di importanza fondamentale quando si tratta di informazioni sanitarie e di aderenza alle norme di privacy dei pazienti, che possono a volte presentare una sfida nella raccolta dei dati.

Un’abbondanza di dati accurati e dettagliati non solo porterà a capacità di testing che possono trovare modelli rapidamente e dotare i medici della migliore opportunità di affrontare le esigenze insoddisfatte dei loro pazienti, ma migliorerà e avanzerà ogni aspetto della ricerca clinica, soprattutto la ricerca urgente di migliori medicine e biomarcatori per il cancro.

L’AI sta già mostrando promesse nella cura e nel trattamento del cancro

Stanno già venendo implementate modalità più efficaci per addestrare l’AI. I miei colleghi e io stiamo addestrando algoritmi da un’ampia gamma di dati, tra cui risultati di imaging, dati di tessuto di biopsia, diverse forme di sequenziamento genetico e biomarcatori proteici, tra le altre analisi – tutti elementi che si sommano a quantità massive di dati di addestramento. La nostra capacità di generare dati su una scala di quadrilioni piuttosto che miliardi ci ha permesso di costruire alcuni dei primi strumenti di analisi predittiva veramente accurati in uso clinico, come l’identificazione del tumore per cancri avanzati di origine primaria sconosciuta o percorsi di trattamento chemioterapico predittivi che coinvolgono sottili variazioni genetiche.

Presso Caris Life Sciences, abbiamo dimostrato che un’ampia convalida e testing degli algoritmi sono necessari, con confronti con prove del mondo reale che svolgono un ruolo chiave. Ad esempio, i nostri algoritmi addestrati per rilevare specifici tipi di cancro traggono beneficio dalla convalida contro dati di istologia di laboratorio, mentre le previsioni dell’AI per i regimi di trattamento possono essere confrontate con risultati di sopravvivenza clinica nel mondo reale.

Considerate le rapide avanzate nella ricerca sul cancro, l’esperienza suggerisce che l’apprendimento continuo e il raffinamento degli algoritmi sono parte integrante di una strategia di successo dell’AI. Man mano che vengono sviluppati nuovi trattamenti e la nostra comprensione delle vie biologiche che guidano il cancro evolve, l’aggiornamento dei modelli con le informazioni più aggiornate offre approfondimenti più profondi e aumenta la sensibilità di rilevamento.

Questo processo di apprendimento continuo sottolinea l’importanza di una collaborazione ampia tra gli sviluppatori di AI e le comunità cliniche e di ricerca. Abbiamo scoperto che sviluppare nuovi strumenti per analizzare i dati più rapidamente e con maggiore sensibilità, abbinati a feedback dagli oncologi, è essenziale. In sintesi, la vera misura del successo di un algoritmo di AI è quanto accuratamente fornisce agli oncologi informazioni predittive affidabili e quanto l’AI è adattabile ai paradigmi di trattamento in continua evoluzione.

Le applicazioni reali dell’AI stanno già aumentando i tassi di sopravvivenza e migliorando la gestione del cancro

I progressi nella scala e nella qualità dei dati hanno già avuto impatti misurabili espandendo l’insieme di strumenti decisionali per i medici, che hanno avuto risultati positivi reali sulla cura dei pazienti e sui risultati di sopravvivenza. Il primo strumento di AI clinicamente validato per la navigazione delle scelte di trattamento chemioterapico per un cancro metastatico difficile da trattare può potenzialmente estendere la sopravvivenza dei pazienti di 17,5 mesi, rispetto alle decisioni di trattamento standard prese senza algoritmi predittivi¹. Uno strumento di AI diverso può prevedere con un’accuratezza superiore al 94% il tumore di origine per decine di cancri metastatici² – ciò è critico per la creazione di un piano di trattamento efficace. Gli algoritmi di AI stanno anche prevedendo quanto bene un tumore risponderà all’immunoterapia in base alla genetica unica del tumore di ogni persona. In ciascuno di questi casi, gli strumenti di AI dotano la presa di decisioni cliniche di informazioni che migliorano i risultati dei pazienti rispetto agli standard di cura attuali.

Aspettatevi una rivoluzione dell’AI nel cancro

L’AI sta già cambiando come e quando possiamo rilevare il cancro e come lo trattiamo lungo il percorso. La gestione del cancro avrà presto medici che lavorano a fianco a fianco con l’AI integrata in tempo reale per trattare e monitorare i pazienti e rimanere un passo avanti rispetto ai tentativi del cancro di eludere i farmaci con mutazioni. Oltre ai modelli predittivi sempre più efficaci per la rilevazione precoce del cancro e per la fornitura di paradigmi di trattamento personalizzati più efficaci, i medici, i ricercatori e le aziende biotecnologiche stanno lavorando duramente oggi per sfruttare i dati e le analisi dell’AI per guidare nuove scoperte terapeutiche e biomarcatori molecolari per il domani.

Nel prossimo futuro, questi progressi impossibili nell’AI andranno ben oltre la cura del cancro, raggiungendo tutti gli stati di malattia, ponendo fine a un’era di incertezza e rendendo la medicina più precisa, più personalizzata e più efficace.