Здравоохранение
Жизненно важное, измеримое влияние ИИ на рак
Добавьте Unite.AI в избранные источники в Google
Использование больших данных для улучшения ИИ в обнаружении и лечении рака
Интеграция ИИ в процесс принятия медицинских решений помогает революционизировать эту область и привести к более точным и последовательным решениям о лечении благодаря его практически неограниченной способности выявлять закономерности, слишком сложные для человека.
Область онкологии генерирует огромные наборы данных, от неструктурированных клинических историй до изображений и геномных последовательностей, на различных этапах пути пациента. ИИ может “интеллектуально” анализировать большие партии данных быстрее, чем традиционные методы, что имеет решающее значение для обучения алгоритмов машинного обучения, которые являются основой для передовых инструментов тестирования и мониторинга рака. ИИ также имеет огромные встроенные возможности распознавания закономерностей для эффективного моделирования сложностей наборов данных. Это важно, поскольку оно позволяет получить более глубокое, многослойное понимание влияния нюансов молекулярных сигнатур в геномике рака и микроокружении опухоли. Обнаружение закономерности между генами, найденными только в определенной подгруппе случаев рака или закономерностями прогрессии рака, может привести к более индивидуальному подходу к лечению.
Какова конечная цель? Тесты на рак, работающие на ИИ, которые поддерживают клиническое принятие решений для врачей и их пациентов на каждом этапе пути рака – от скрининга и обнаружения до определения правильного лечения и мониторинга реакции пациентов на вмешательства и прогнозирования рецидива.
Качество и количество данных: ключ к успеху ИИ
В конечном итоге алгоритм ИИ будет только так хорош, как качество данных, на которых он обучен. Плохие, неполные или неправильно помеченные данные могут ограничить способность ИИ находить лучшие закономерности (мусор на входе, мусор на выходе). Это особенно верно для лечения рака, где прогностическое моделирование зависит от безупречной точности – одна модификация гена из тысяч, например, может сигнализировать о развитии опухоли и информировать о раннем обнаружении. Обеспечение такого высокого уровня качества является трудоемким и дорогостоящим, но приводит к лучшим данным, что в свою очередь приводит к оптимальной точности тестирования. Однако создание полезного золотого запаса данных сопряжено с значительными проблемами. Во-первых, сбор больших масштабных геномных и молекулярных данных, который может включать миллионы точек данных, является сложной задачей. Это начинается с наличия высочайшего качества анализов, которые измеряют эти характеристики рака с безупречной точностью и разрешением. Собранные молекулярные данные также должны быть как можно более разнообразными по географии и представительству пациентов, чтобы расширить прогностическую способность моделей обучения. Кроме того, это выигрывает от построения долгосрочных многодисциплинарных сотрудничеств и партнерств, которые могут помочь собрать и обработать сырые данные для анализа. Наконец, кодификация строгих этических стандартов в обработке данных имеет первостепенное значение, когда речь идет о информации о здоровье и соблюдении строгих правил конфиденциальности пациентов, что иногда может представлять собой проблему при сборе данных.
Изобилие точных и подробных данных не только приведет к возможностям тестирования, которые могут быстро находить закономерности и предоставлять врачам лучшую возможность решить непредвиденные потребности своих пациентов, но также улучшит и продвинет каждую область клинических исследований, особенно срочный поиск лучших лекарств и биомаркеров для рака.
ИИ уже показывает свою перспективность в лечении и уходе за раком
Более эффективные способы обучения ИИ уже реализуются. Мои коллеги и я обучаем алгоритмы на основе всестороннего массива данных, включая результаты изображений, данные тканей биопсии, различные формы геномного секвенирования и белковые биомаркеры, среди других анализов – все это в сумме дает огромное количество тренировочных данных. Наша способность генерировать данные в масштабе квадриллионов, а не миллиардов, позволила нам создать некоторые из первых真正 точных прогностических аналитиков в клиническом использовании, таких как выявление опухоли для продвинутых раков неизвестного первичного происхождения или прогностические пути химиотерапии, включающие тонкие генетические вариации.
В Caris Life Sciences мы доказали, что обширная проверка и тестирование алгоритмов необходимы, с сравнением с реальными данными, играющим ключевую роль. Например, наши алгоритмы, обученные для обнаружения конкретных видов рака, выигрывают от проверки против лабораторных гистологических данных, в то время как прогнозы ИИ для режимов лечения могут быть сопоставлены с реальными клиническими результатами выживания.
Учитывая быстрые достижения в исследованиях рака, опыт подсказывает, что непрерывное обучение и уточнение алгоритмов является неотъемлемой частью успешной стратегии ИИ. По мере разработки новых методов лечения и эволюции нашего понимания биологических путей, лежащих в основе рака, обновление моделей с самой актуальной информацией предлагает более глубокие идеи и повышает чувствительность обнаружения.
Этот непрерывный процесс обучения подчеркивает важность широкого сотрудничества между разработчиками ИИ и клиническими и исследовательскими сообществами. Мы обнаружили, что разработка новых инструментов для более быстрого и чувствительного анализа данных, в сочетании с обратной связью от онкологов, является необходимой. Основная идея: истинная мера успеха алгоритма ИИ заключается в том, насколько точно он оснащает онкологов надежными, прогностическими идеями, которые им необходимы, и насколько адаптивна стратегия ИИ к постоянно меняющимся парадигмам лечения.
Реальные применения ИИ уже увеличивают показатели выживаемости и улучшают управление раком
Достижения в масштабе и качестве данных уже оказали измеримое влияние, расширив инструментарий принятия решений врачей, что имело реальные положительные результаты на уход за пациентами и показатели выживаемости. Первый клинически проверенный инструмент ИИ для навигации по выбору химиотерапии для трудно поддающегося лечению метастатического рака может потенциально продлить выживаемость пациентов на 17,5 месяцев, по сравнению с стандартными решениями о лечении, принятыми без прогностических алгоритмов1. Другой инструмент ИИ может предсказать с точностью более 94% опухоль происхождения для десятков метастатических раков2 – что имеет решающее значение для создания эффективного плана лечения. Алгоритмы ИИ также предсказывают, насколько хорошо опухоль отреагирует на иммунотерапию на основе уникальной генетики опухоли каждого человека. В каждом из этих случаев инструментарий ИИ оснащает клиническое принятие решений, которое улучшает результаты для пациентов по сравнению с текущими стандартами ухода.
Ожидайте революцию ИИ в раке
ИИ уже меняет, насколько рано мы можем обнаружить рак и как мы его лечим на пути. Управление раком скоро будет включать в себя работу врачей бок о бок с интегрированным ИИ в режиме реального времени для лечения и мониторинга пациентов и оставаться на шаг впереди попыток рака перехитрить лекарства с помощью мутаций. Помимо все более совершенных прогностических моделей для раннего обнаружения рака и предоставления более эффективных персонализированных парадигм лечения, врачи, исследователи и биотехнологические компании работают над тем, чтобы использовать данные и анализы ИИ для стимулирования новых терапевтических открытий и молекулярных биомаркеров для завтрашнего дня.
В не слишком далеком будущем эти когда-то невозможные достижения в ИИ выйдут далеко за рамки лечения рака и распространятся на все состояния, положив конец эпохе неопределенности и сделав медицину более точной, персонализированной и эффективной.
