השילוב של מידע חזותי (תמונות מיקרוסקופיות וקרני רנטגן, סריקות CT ו-MRI, למשל) עם טקסט (הערות בחינה, תקשורת בין רופאים בעלי התמחויות שונות) הוא מרכיב מרכזי בטיפול בסרטן. אבל בעוד שבינה מלאכותית עוזרת לרופאים לסקור תמונות ולהתייחס לאנומליות הקשורות למחלות כמו תאים בעלי צורה לא תקינה, היה קשה לפתח מודלים ממוחשבים שיכולים לשלב מספר סוגי נתונים.
כעת חוקרים בסטנפורד רפואה פיתחו מודל AI המסוגל לשלב מידע חזותי ושפה מבוסס. לאחר אימון על 50 מיליון תמונות רפואיות של שקופיות פתולוגיות סטנדרטיות ויותר ממיליארד טקסטים הקשורים לפתולוגיה, המודל עלה על השיטות הסטנדרטיות ביכולתו לחזות את התחזית של אלפי אנשים עם סוגים שונים של סרטן, כדי לזהות אילו אנשים עם ריאות או סביר להניח שסרטן קיבה-ופק ייהנה מטיפול אימונותרפי, ולהצביע על אנשים הסובלים ממלנומה שסביר להניח שחוו הישנות הסרטן שלהם.
החוקרים כינו את הדגם MUSK, עבור שנאי רב-מודאלי עם דוגמנות מסכות מאוחדות. MUSK מייצג סטייה ניכרת מהאופן שבו נעשה שימוש כיום בבינה מלאכותית במסגרות טיפול קליני, והחוקרים מאמינים שהיא עומדת לשנות את האופן שבו בינה מלאכותית יכולה להנחות את הטיפול בחולים.
MUSK יכול לחזות במדויק את התחזית של אנשים עם סוגים ושלבים שונים של סרטן. תכננו את MUSK מכיוון שבפרקטיקה הקלינית, רופאים לעולם אינם מסתמכים על סוג אחד בלבד של נתונים כדי לקבל החלטות קליניות. רצינו למנף סוגים רבים של נתונים כדי לקבל יותר תובנות ולקבל תחזיות מדויקות יותר לגבי תוצאות המטופלים."
Ruijiang Li, MD, פרופסור חבר לאונקולוגיה קרינה
לי, שהוא חבר במכון לסרטן בסטנפורד, הוא הכותב הבכיר של המחקר, שפורסם ב-8 בינואר ב- טֶבַע. הפוסט-דוקטורנטים Jinxi Xiang, PhD, ו- Xiyue Wang, PhD, הם הכותבים הראשיים של המחקר.
למרות שכלי בינה מלאכותית שימשו יותר ויותר במרפאה, הם שימשו בעיקר לאבחון (האם תמונת המיקרוסקופ או הסריקה הזו מראים סימנים של סרטן?) ולא לפרוגנוזה (מהי התוצאה הקלינית הסבירה של אדם זה, ואיזה טיפול הוא היעיל ביותר לאדם פרטי?).
חלק מהאתגר הוא הצורך להכשיר את המודלים על כמויות גדולות של נתונים מסומנים (זוהי שקף מיקרוסקופ של פרוסת רקמת ריאה עם גידול סרטני, למשל) ונתונים זוגיים (להלן ההערות הקליניות על החולה מ מי הושג הגידול). אבל קשה להשיג מערכי נתונים שנאספו בקפידה ובהערות.
כלי מדף
במונחי בינה מלאכותית, MUSK הוא מה שנקרא מודל יסוד. ניתן להתאים אישית מודלים של בסיס שהוכשרו מראש על כמויות עצומות של נתונים עם הכשרה נוספת לביצוע משימות ספציפיות. מכיוון שהחוקרים תכננו את MUSK להשתמש בנתונים מולטי-מודאליים בלתי מזווגים שאינם עומדים בדרישות המסורתיות לאימון בינה מלאכותית, מאגר הנתונים שהמחשב יכול להשתמש בהם כדי "ללמוד" במהלך האימון הראשוני שלו מורחב במספר סדרי גודל. עם התחלה זו, כל אימון עוקב מתבצע עם קבוצות נתונים קטנות יותר, מיוחדות יותר. למעשה, MUSK הוא כלי מדף שרופאים יכולים לכוונן עדין כדי לעזור לענות על שאלות קליניות ספציפיות.
"הצורך הקליני הגדול ביותר שאינו מסופק הוא במודלים שרופאים יכולים להשתמש בהם כדי להנחות את הטיפול בחולה", אמר לי. "האם החולה הזה צריך את התרופה הזו? או שמא עלינו להתמקד בסוג אחר של טיפול? נכון לעכשיו, רופאים משתמשים במידע כמו שלב המחלה וגנים או חלבונים ספציפיים כדי לקבל החלטות אלה, אבל זה לא תמיד מדויק".
החוקרים אספו שקופיות מיקרוסקופיות של קטעי רקמה, דוחות הפתולוגיה הקשורים ונתוני מעקב (כולל איך התמודדו החולים) ממסד הנתונים הלאומי The Cancer Genome Atlas עבור אנשים עם 16 סוגים עיקריים של סרטן, כולל שד, ריאות, מעי גס, לבלב , כליות, שלפוחית השתן, הראש והצוואר. הם השתמשו במידע כדי לאמן את MUSK לחזות הישרדות ספציפית למחלה, או את אחוז האנשים שלא מתו ממחלה מסוימת במהלך פרק זמן מוגדר.
עבור כל סוגי הסרטן, MUSK חזה במדויק את ההישרדות הספציפית למחלה של חולה ב-75% מהמקרים. לעומת זאת, התחזיות הסטנדרטיות המבוססות על שלב הסרטן של האדם וגורמי סיכון קליניים אחרים היו נכונות ב-64% מהמקרים.
בדוגמה אחרת, החוקרים הכשירו את MUSK להשתמש באלפי פיסות מידע כדי לחזות אילו חולים עם סרטן הריאות או של דרכי הקיבה והוושט צפויים להפיק תועלת מטיפול אימונותרפי.
"כרגע, ההחלטה העיקרית לגבי האם לתת למטופל סוג מסוים של אימונותרפיה נשענת על האם הגידול של אותו אדם מבטא חלבון בשם PD-L1", אמר לי. "זהו סמן ביולוגי העשוי מחלבון אחד בלבד. לעומת זאת, אם נוכל להשתמש בבינה מלאכותית כדי להעריך מאות או אלפי סיביות מסוגים רבים של נתונים, כולל הדמיית רקמות, כמו גם דמוגרפיה של המטופלים, היסטוריה רפואית, טיפולים קודמים ובדיקות מעבדה. נאספים מהערות קליניות, אנו יכולים לקבוע בצורה הרבה יותר מדויקת מי עשוי להרוויח."
עבור סרטן ריאות של תאים לא קטנים, MUSK זיהה נכונה חולים שנהנו מטיפול אימונותרפי בכ-77% מהמקרים. לעומת זאת, השיטה הסטנדרטית לניבוי תגובה אימונותרפית על בסיס ביטוי PD-L1 הייתה נכונה רק כ-61% מהמקרים.
תוצאות דומות התקבלו כאשר החוקרים אימנו את MUSK לזהות אילו אנשים עם מלנומה היו בעלי הסיכוי הגבוה ביותר להישנות תוך חמש שנים לאחר הטיפול הראשוני שלהם. במקרה זה המודל היה נכון בכ-83% מהמקרים, שזה כ-12% יותר מדויק מהתחזיות שנוצרו על ידי מודלים בסיסיים אחרים.
"מה שמיוחד ב-MUSK הוא היכולת לשלב נתונים מולטי-מודאליים לא מזווגים באימון מקדים, מה שמגדיל באופן משמעותי את היקף הנתונים בהשוואה לנתונים מזווגים הנדרשים על ידי מודלים אחרים", אמר לי. "ראינו שלכל משימות החיזוי הקליניות, מודלים המשלבים מספר סוגי נתונים מתעלמים באופן עקבי על אלו המבוססים על נתוני הדמיה או טקסט בלבד. מינוף סוגי נתונים מולטי-מודאליים בלתי מזווגים אלה עם מודלים של בינה מלאכותית כמו MUSK תהיה התקדמות משמעותית ביכולת של בינה מלאכותית כדי לסייע לרופאים לשפר את הטיפול בחולים".
חוקרים מבית הספר לרפואה בהרווארד תרמו לעבודה.
המחקר מומן על ידי המכונים הלאומיים לבריאות (מענקים R01CA222512, R01CA233578, R01CA269599, R01CA285456, R01CA290715 ו-R01DE030894), ומכון סטנפורד לבינה מלאכותית במרכז האדם.
