Здравоохранение
Жизненно важное, измеримое влияние ИИ на рак
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 человеческого восприятия.
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 с более высокой скоростью, 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 врожденные возможности распознавания закономерностей для эффективного моделирования сложностей наборов данных. Это важно, потому что позволяет глубже, многослойное понимание влияния нюансов молекулярных сигнатур в геномике рака и микроокружении опухоли. Обнаружение закономерности между генами, найденными только в определенном подмножестве 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, которые его обучают. Плохие, неполные или неправильно помеченные данные могут ограничить способность ИИ найти лучшие закономерности (мусор на входе, мусор на выходе). Это особенно верно для ухода за раком, где прогностическое моделирование зависит от безупречной точности – например, одна модификация гена из тысяч может сигнализировать о развитии опухоли и информировать о раннем обнаружении. Обеспечение такого высокого уровня качества является трудоемким и дорогим, но приводит к лучшим данным, что приводит к оптимальной точности тестирования. Однако разработка полезного золотого запаса данных сопряжена с значительными проблемами. Во-первых, сбор больших массивов геномных и молекулярных данных, которые могут включать миллионы точек данных, является сложной задачей. Она начинается с наличия высочайшего качества анализов, которые измеряют эти характеристики рака с безупречной точностью и разрешением. Молекулярные данные, собранные также должны быть как можно более разнообразными по географии и представительству пациентов, чтобы расширить прогностическую способность моделей обучения. Она также выигрывает от построения долгосрочных междисциплинарных 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 может иногда представлять собой проблему в сборе данных.
Изобилие точных, подробных данных не только приведет к возможностям тестирования, которые могут быстро выявлять закономерности и наделять врачей лучшей возможностью решить непредвиденные потребности своих пациентов, но также улучшит и продвинет каждый аспект клинических исследований, особенно срочный поиск лучших лекарств и биомаркеров для рака.
ИИ уже показывает свою эффективность в уходе и лечении рака
Более эффективные способы обучения ИИ уже реализуются. Мои коллеги и я обучаем алгоритмы из всестороннего массива данных, включая результаты изображений, данные биопсии, различные формы геномной последовательности и белковые биомаркеры, среди других анализов – все это в сумме дает огромные количества данных для обучения. Наша способность генерировать данные в масштабе квадриллионов, а не миллиардов, позволила нам создать некоторые из первых真正 точных прогностических аналитик в клиническом использовании, таких как выявление опухоли для передовых раков неизвестного первичного происхождения или прогностические пути лечения химиотерапии, включающие тонкие генетические вариации.
В Caris Life Sciences мы доказали, что обширная валидация и тестирование алгоритмов необходимы, с сравнениями с реальными данными, играющими ключевую роль. Например, наши алгоритмы, обученные для обнаружения конкретных видов рака, выигрывают от валидации против лабораторных гистологических данных, в то время как прогнозы ИИ для режимов лечения могут быть скомпарированы с реальными клиническими результатами выживаемости.
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, которые стимулируют рак, обновление моделей с самыми актуальными данными 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 анализа данных более быстро и с большей чувствительностью, в сочетании с обратной связью от онкологов, является необходимой. Основная мысль: истинная мера успеха алгоритма ИИ заключается в том, насколько точно он наделяет онкологов надежными, прогностическими идеями, которые им нужны, 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, расширяя набор инструментов для принятия решений врачами, что имело положительные результаты на уход за пациентами и показатели выживаемости. Первый клинически проверенный инструмент ИИ для навигации по выбору химиотерапевтического лечения для трудно поддающегося лечению метастатического рака может потенциально продлить выживаемость пациентов на 17,5 месяцев, по сравнению с 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 наделяет 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 иметь врачей, работающих бок о бок с интегрированным ИИ в реальном времени, для лечения и мониторинга пациентов и оставаться на шаг впереди попыток рака перехитрить лекарства с мутациями.除了 постоянному улучшению прогностических моделей для обнаружения рака на более ранней стадии и обеспечения более эффективных персонализированных парадигм лечения, врачи, исследователи и биотехнологические компании работают сегодня, чтобы использовать данные и анализ 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 пределы ухода за раком во все состояния заболеваний, положив конец эпохе неопределенности и сделав медицину более точной, более персонализированной и более эффективной.
