AI’s levensveranderende, meetbare impact op kanker

Big Data inzetten om AI in kankerdetectie en -behandeling te verbeteren

Het integreren van AI in het beslissingsproces van de gezondheidszorg helpt het veld te revolutioneren en leidt tot meer accurate en consistente behandelingsbeslissingen vanwege de vrijwel onbeperkte mogelijkheid om patronen te identificeren die te complex zijn voor mensen om te zien.

Het veld van oncologie genereert enorme datasets, van ongestructureerde klinische geschiedenissen tot beeldvorming en genoomsequencinggegevens, op verschillende momenten in de patiëntreis. AI kan grote hoeveelheden gegevens “intelligent” analyseren met een hogere snelheid dan traditionele methoden, wat essentieel is voor het trainen van machine learning-algoritmen die de basis vormen voor geavanceerde kankertesten en -bewakingshulpmiddelen. AI heeft ook een enorm vermogen om patronen te herkennen voor het efficiënt modelleren van complexe datasets. Dit is belangrijk omdat het diepere, meerlagige inzichten mogelijk maakt in de impact van subtiele moleculaire handtekeningen in kankergenomica en tumormicro-omgevingen. Het ontdekken van een patroon tussen genen die alleen worden aangetroffen in een bepaalde subset van kankergevallen of kankerprogressiepatronen kan leiden tot een meer op maat gemaakte, patiëntspecifieke benadering van de behandeling.

Wat is het uiteindelijke doel? AI-gepowered kankertests die klinische besluitvorming ondersteunen voor artsen en hun patiënten op elk moment van de kankerreis – van screening en detectie, tot het identificeren van de juiste behandeling, en voor het monitoren van de reactie van patiënten op interventies en het voorspellen van recidief.

Gegevenskwaliteit en -hoeveelheid: de sleutel tot AI-succes

Uiteindelijk zal een AI-algoritme alleen zo goed zijn als de kwaliteit van de gegevens die het trainen. Slechte, onvolledige of onjuist gelabelde gegevens kunnen de mogelijkheid van AI beperken om de beste patronen te vinden (rommel in, rommel uit). Dit is vooral waar voor kankerzorg, waar predictief modelleren afhankelijk is van onberispelijke precisie – één genmodificatie uit duizenden, bijvoorbeeld, kan tumorgroei signaleren en vroege detectie informeren. Het garanderen van dat hoge niveau van kwaliteit is tijdrovend en kostbaar, maar leidt tot betere gegevens, wat resulteert in optimale testnauwkeurigheid. Het ontwikkelen van een bruikbare gegevensschatkist komt echter met aanzienlijke uitdagingen. Ten eerste is het verzamelen van grote hoeveelheden genoom- en moleculaire gegevens, die miljoenen datapunten kunnen omvatten, een complexe taak. Het begint met het hebben van de hoogste kwaliteit assays die deze kenmerken van kanker met onberispelijke precisie en resolutie meten. De verzamelde moleculaire gegevens moeten ook zo gevarieerd zijn in geografie en patiëntrepresentatie als mogelijk om de predictieve capaciteit van de trainingsmodellen uit te breiden. Het baat ook bij het opbouwen van langetermijnsamenwerkingen en partnerschappen die helpen bij het verzamelen en verwerken van ruwe gegevens voor analyse. Ten slotte is het codificeren van strikte ethische normen voor gegevensbeheer van het grootste belang wanneer het gaat om gezondheidsinformatie en het naleven van strikte patiëntengegevensreglementeringen, wat soms een uitdaging kan vormen bij gegevensverzameling.

Een overvloed aan nauwkeurige, gedetailleerde gegevens zal niet alleen resulteren in testmogelijkheden die patronen snel kunnen vinden en artsen de beste kans geven om de onvervulde behoeften van hun patiënten aan te pakken, maar zal ook elk aspect van klinisch onderzoek verbeteren en verfijnen, vooral de dringende zoektocht naar betere medicijnen en biomarkers voor kanker.

AI toont al belofte in kankerzorg en -behandeling

Er worden al effectievere manieren geïmplementeerd om AI te trainen. Mijn collega’s en ik trainen algoritmen vanuit een uitgebreide reeks gegevens, waaronder beeldresultaten, weefselbiopsiegegevens, meerdere vormen van genoomsequencing en proteïnebiomarkers, onder andere analyses – allemaal welke samen een enorme hoeveelheid trainingsgegevens vormen. Ons vermogen om gegevens te genereren op de schaal van quadriljoenen in plaats van miljarden heeft ons in staat gesteld om enkele van de eerste echt nauwkeurige predictieve analyses in klinisch gebruik te bouwen, zoals tumordetectie voor geavanceerde kankers van onbekende oorsprong of predictieve chemotherapiebehandelingspaden met subtiele genetische variaties.

Bij Caris Life Sciences hebben we aangetoond dat uitgebreide validatie en testen van algoritmen noodzakelijk zijn, met vergelijkingen met werkelijke bewijs die een sleutelrol spelen. Bijvoorbeeld, onze algoritmen getraind om specifieke kankers te detecteren, profiteren van validatie tegen laboratoriumhistologiegegevens, terwijl AI-voorspellingen voor behandelingsschema’s kunnen worden vergeleken met werkelijke klinische overlevingsresultaten.

Gezien de snelle vooruitgang in kankeronderzoek, suggereert ervaring dat continue leren en algoritme-verfijning een integraal onderdeel vormen van een succesvolle AI-strategie. Naarmate nieuwe behandelingen worden ontwikkeld en ons begrip van de biologische paden die kanker aandrijven, evolueert, biedt het updaten van modellen met de meest actuele informatie diepere inzichten en verbetert detectiegewaarwording.

Dit voortdurende leerproces benadrukt het belang van brede samenwerking tussen AI-ontwikkelaars en de klinische en onderzoekscommunities. We hebben ontdekt dat het ontwikkelen van nieuwe hulpmiddelen om gegevens sneller en gevoeliger te analyseren, gekoppeld aan feedback van oncologen, essentieel is. Bottom-line: de ware maatstaf van het succes van een AI-algoritme is hoe nauwkeurig het oncologen voorziet van betrouwbare, predictieve inzichten die ze nodig hebben en hoe aanpasbaar de AI-strategie is aan steeds veranderende behandelingsparadigma’s.

Reële toepassingen van AI verhogen al overlevingskansen en verbeteren kankerbeheer

Vooruitgang in gegevensschaal en -kwaliteit hebben al meetbare effecten gehad door het uitbreiden van de beslissingskit van artsen, wat reële positieve resultaten heeft gehad op patiëntenzorg en overlevingsresultaten. Het eerste klinisch gevalideerde AI-hulpmiddel voor het navigeren van chemotherapiebehandelingskeuzes voor een moeilijk te behandelen metastatische kanker kan potentieel 17,5 maanden patiëntoverleving verlengen, vergeleken met standaardbehandelingsbeslissingen gemaakt zonder predictieve algoritmen¹. Een ander AI-hulpmiddel kan met meer dan 94% nauwkeurigheid de tumor van oorsprong voorspellen voor tientallen metastatische kankers² – wat essentieel is voor het creëren van een effectief behandelingsplan. AI-algoritmen voorspellen ook hoe goed een tumor zal reageren op immunotherapie op basis van elke persoonlijke tumorgenetica. In elk van deze gevallen empoweren AI-hulpmiddelen klinische besluitvorming die patiëntresultaten verbetert in vergelijking met de huidige zorgstandaarden.

Verwacht een AI-revolutie in kanker

AI verandert al hoe vroeg we kanker kunnen detecteren en hoe we het behandelen op weg. Kankerbeheer zal binnenkort artsen hebben die naast geïntegreerde AI in real-time werken om patiënten te behandelen en te monitoren en één stap voor te blijven op kankers die proberen medicijnen te slim af te zijn met mutaties. Naast steeds betere predictieve modellen voor het detecteren van kanker en het bieden van meer effectieve persoonlijke behandelingsparadigma’s, werken artsen, onderzoekers en biotechbedrijven vandaag hard om gegevens en AI-analyses te benutten om nieuwe therapeutische ontdekkingen en moleculaire biomarkers voor morgen te stimuleren.

In de niet al te verre toekomst zullen deze onmogelijke vooruitgangen in AI verder reiken dan kankerzorg naar alle ziektestaten, waarmee een tijdperk van onzekerheid eindigt en geneeskunde nauwkeuriger, persoonlijker en effectiever wordt.