Zmieniający życie, mierzalny wpływ AI na raka

Wykorzystanie dużych zbiorów danych do poprawy AI w wykrywaniu i leczeniu raka

Integracja AI z procesem podejmowania decyzji w ochronie zdrowia pomaga rewolucjonizować tę dziedzinę i prowadzić do bardziej dokładnych i spójnych decyzji terapeutycznych dzięki niemal nieograniczonej zdolności do identyfikowania wzorców, które są zbyt złożone dla ludzi.

Obszar onkologii generuje ogromne zbiory danych, od nieustrukturyzowanych historii klinicznych po dane z sekwencjonowania genomowego, na różnych etapach przebiegu choroby pacjenta. AI może „inteligentnie” analizować duże partie danych z większą szybkością niż tradycyjne metody, co jest kluczowe dla szkolenia algorytmów uczenia maszynowego, które są podstawą zaawansowanych narzędzi do testowania i monitorowania raka. AI posiada również ogromne możliwości rozpoznawania wzorców do efektywnego modelowania złożoności zbiorów danych. Jest to ważne, ponieważ umożliwia głębsze, wielowarstwowe zrozumienie wpływu subtelnych sygnatur molekularnych w genetyce raka i mikrośrodowisku guza. Odkrycie wzorca między genami występującymi tylko w pewnej podgrupie przypadków raka lub wzorców progresji raka może prowadzić do bardziej dostosowanego, indywidualnego podejścia do leczenia.

Jaki jest ostateczny cel? Testy raka wspomagane przez AI, które wspierają podejmowanie decyzji klinicznych przez lekarzy i ich pacjentów na każdym etapie przebiegu choroby – od screeningów i wykrywania, przez identyfikację odpowiedniego leczenia, aż do monitorowania odpowiedzi pacjentów na interwencje i przewidywania nawrotu.

Jakość i ilość danych: klucz do sukcesu AI

Ostatecznie, algorytm AI będzie tak dobry, jak jakość danych, których używa do trenowania. Słabe, niekompletne lub niewłaściwie oznaczone dane mogą uniemożliwić AI znalezienie najlepszych wzorców (śmieci na wejściu, śmieci na wyjściu). Jest to szczególnie prawdziwe w przypadku opieki onkologicznej, gdzie modelowanie predykcyjne opiera się na niezawodnej precyzji – na przykład jeden modyfikowany gen spośród tysięcy może sygnalizować rozwój guza i poinformować o wczesnym wykryciu. Zapewnienie takiego poziomu jakości jest czasochłonne i kosztowne, ale prowadzi do lepszych danych, co skutkuje optymalną dokładnością testów. Rozwój przydatnego złóż danych wiąże się jednak z znaczącymi wyzwaniami. Po pierwsze, zbieranie danych genomowych i molekularnych w dużych ilościach, co może obejmować miliony punktów danych, jest skomplikowanym zadaniem. Rozpoczyna się od posiadania najwyższej jakości testów, które mierzą te cechy raka z niezawodną precyzją i rozdzielczością. Zebrane dane molekularne muszą być również tak różnorodne pod względem geografii i reprezentacji pacjentów, jak to możliwe, aby rozszerzyć predykcyjną pojemność modeli trenujących. Korzysta to również z budowania długoterminowych, wielodyscyplinarnych współprac i partnerstw, które mogą pomóc w zbieraniu i przetwarzaniu surowych danych do analizy. Wreszcie, ustanowienie surowych standardów etycznych w obsłudze danych jest najwyższym priorytetem, gdy chodzi o informacje zdrowotne i przestrzeganie surowych przepisów dotyczących prywatności pacjentów, co czasem może stanowić wyzwanie w zbieraniu danych.

Obfitość dokładnych, szczegółowych danych nie tylko doprowadzi do możliwości testowych, które mogą szybko znaleźć wzorce i dać lekarzom najlepszą okazję do zaspokojenia niespełnionych potrzeb swoich pacjentów, ale również poprawi i rozwinie każdy aspekt badań klinicznych, szczególnie pilnego poszukiwania lepszych leków i biomarkerów dla raka.

AI już pokazuje obietnice w opiece onkologicznej i leczeniu

Już wprowadza się bardziej skuteczne sposoby trenowania AI. Moi koledzy i ja trenujemy algorytmy z kompleksowego zestawu danych, w tym wyników obrazowych, danych z tkanek biopsyjnych, wielu form sekwencjonowania genomowego i biomarkerów białkowych, wśród innych analiz – wszystko to składa się na ogromne ilości danych trenujących. Nasza zdolność do generowania danych w skali kwadrilionów, a nie miliardów, pozwoliła nam zbudować niektóre z pierwszych naprawdę dokładnych analiz predykcyjnych w użyciu klinicznym, takich jak identyfikacja guzów w przypadku zaawansowanego raka nieznanego pochodzenia lub predykcyjne ścieżki leczenia chemioterapią, które obejmują subtelne zmiany genetyczne.

W Caris Life Sciences udowodniliśmy, że obszerną walidację i testowanie algorytmów są niezbędne, przy czym porównania z dowodami z życia wziętymi odgrywają kluczową rolę. Na przykład, nasze algorytmy szkolone do wykrywania konkretnych rodzajów raka korzystają z walidacji wobec laboratoryjnych danych histologicznych, podczas gdy przewidywania AI dotyczące schematów leczenia mogą być porównywane z wynikami przeżycia w świecie rzeczywistym.

Biorąc pod uwagę szybki postęp w badaniach nad rakiem, doświadczenie wskazuje, że ciągłe uczenie się i doskonalenie algorytmów jest integralną częścią udanej strategii AI. W miarę jak rozwijają się nowe leczenia i nasze zrozumienie biologicznych ścieżek prowadzących do raka ewoluuje, aktualizacja modeli przy użyciu najbardziej aktualnych informacji oferuje głębsze spojrzenia i zwiększa wrażliwość wykrywania.

Ten ciągły proces uczenia się podkreśla wagę szerokiej współpracy między twórcami AI a społecznościami klinicznymi i badawczymi. Stwierdziliśmy, że rozwijanie nowych narzędzi do analizy danych w sposób szybszy i bardziej wrażliwy, w połączeniu z informacjami zwrotnymi od onkologów, jest niezbędne. Podsumowując: prawdziwą miarą sukcesu algorytmu AI jest to, jak dokładnie wyposaża onkologów w niezawodne, predykcyjne spojrzenia, których potrzebują, oraz jak elastyczna jest strategia AI wobec ciągle zmieniających się paradygmatów leczenia.

Rzeczywiste zastosowania AI już zwiększają wskaźniki przeżycia i poprawiają zarządzanie rakiem

Postępy w skali i jakości danych już miały mierzalny wpływ, rozszerzając narzędzie decyzyjne lekarzy, co miało pozytywne skutki w opiece nad pacjentami i wynikach przeżycia. Pierwsze klinicznie zwalidowane narzędzie AI do nawigacji w wyborze leczenia chemioterapii dla trudnego do leczenia raka przerzutowego może potencjalnie wydłużyć przeżycie pacjentów o 17,5 miesiąca, w porównaniu z decyzjami leczniczymi podejmowanymi bez algorytmów predykcyjnych¹. Inne narzędzie AI może przewidzieć z dokładnością powyżej 94% guz pierwotny w przypadku dziesiątek rodzajów raka przerzutowego – co jest kluczowe dla stworzenia skutecznego planu leczenia. Algorytmy AI przewidują również, jak dobrze guz zareaguje na immunoterapię na podstawie unikalnej genetyki guza każdej osoby. W każdym z tych przypadków, zestawy narzędzi AI umożliwiają podejmowanie decyzji klinicznych, które poprawiają wyniki pacjentów w porównaniu z obecnie stosowanymi standardami opieki.

Oczekuj rewolucji AI w raku

AI już zmienia, jak wcześnie możemy wykryć raka i jak go leczymy na każdym etapie. Zarządzanie rakiem wkrótce będzie wymagało pracy lekarzy wraz z zintegrowanym AI w czasie rzeczywistym, aby leczyć i monitorować pacjentów oraz pozostać o krok przed próbami raka, aby wyprzedzić leki poprzez mutacje. Oprócz coraz lepszych modeli predykcyjnych do wczesnego wykrywania raka i dostarczania bardziej skutecznych, personalizowanych paradygmatów leczenia, lekarze, badacze i firmy biotechnologiczne pracują dziś, aby wykorzystać dane i analizy AI do napędzania nowych odkryć terapeutycznych i biomarkerów molekularnych na jutro.

W niedalekiej przyszłości te niegdyś niewyobrażalne postępy AI sięgną daleko poza opiekę onkologiczną, obejmując wszystkie stany chorobowe, kończąc erę niepewności i czyniąc medycynę bardziej dokładną, personalizowaną i skuteczną.