Combinar información visual (imágenes microscópicas y de rayos X, tomografías computarizadas y resonancias magnéticas, por ejemplo) con texto (notas de exámenes, comunicación entre médicos de diferentes especialidades) es un componente importante de la atención del cáncer. Pero si bien la inteligencia artificial ayuda a los médicos a analizar imágenes y detectar anomalías asociadas con enfermedades, como células con formas anormales, ha sido difícil desarrollar modelos computarizados que puedan incorporar múltiples tipos de datos.
Ahora los investigadores de Stanford Medicine han desarrollado un modelo de IA capaz de incorporar información visual y basada en el lenguaje. Después de entrenar con 50 millones de imágenes clínicas de diapositivas de patología estándar y más de mil millones de textos de patología, el modelo superó a los métodos estándar en su capacidad para predecir el pronóstico de miles de personas con diversos tipos de cáncer, para descubrir qué personas padecen cáncer de pulmón. o cáncer. Es probable que el cáncer gastroesofágico se beneficie de la inmunoterapia e identifique a las personas con melanoma que tienen más probabilidades de recaer. su cáncer.
Los investigadores llamaron al modelo MUSK por Transformador multimodal con modelado de máscara unificado. MUSK representa una clara desviación de la forma en que se utiliza actualmente la inteligencia artificial en entornos de atención médica, y los investigadores creen que puede cambiar la forma en que la inteligencia artificial trata a los pacientes y guiar la atención.
“MUSK puede predecir con precisión el pronóstico de personas con muchos tipos y etapas diferentes de cáncer”, dijo el Dr. Ruijiang Li, profesor asociado de oncología radioterápica. “Diseñamos MUSK para que, en la práctica clínica, los médicos nunca dependan de un solo tipo de datos para tomar decisiones clínicas. Obtenemos más conocimientos y predicciones más precisas sobre los resultados de los pacientes. Queríamos aprovechar múltiples tipos de datos para lograrlo”.
Lee, miembro del Instituto del Cáncer de Stanford, es el autor principal del estudio, que se publicó el 8 de enero. la naturaleza. Los académicos postdoctorales Junxi Xiang, PhD, y Xiao Wang, PhD, son los autores principales del estudio.
Aunque las herramientas de inteligencia artificial se utilizan cada vez más en la clínica, están diseñadas principalmente para el diagnóstico (¿esta imagen microscópica o escaneo muestra signos de cáncer?) en lugar de cuál será el resultado clínico probable de la persona y qué terapia es más efectiva. . para un individuo?).
Parte del desafío es la necesidad de entrenar modelos con grandes cantidades de datos etiquetados (por ejemplo, un portaobjetos microscópico de un trozo de tejido pulmonar con un tumor canceroso) y datos emparejados (aquí notas clínicas sobre un paciente del que proviene el tumor). se obtuvo). Pero es difícil conseguir conjuntos de datos cuidadosamente diseñados e interpretados.
Una herramienta lista para usar
En el lenguaje de la inteligencia artificial, MUSK es lo que se llama un modelo básico. Los modelos Foundation previamente entrenados con grandes cantidades de datos se pueden personalizar con capacitación adicional para realizar tareas específicas. Debido a que los investigadores diseñaron MUSK para utilizar datos multimodales no emparejados que no cumplen con los requisitos tradicionales para entrenar inteligencia artificial, el conjunto de datos que la computadora usa para “aprender” durante su entrenamiento inicial puede amplificarse en varios órdenes de magnitud. Con esta ventaja, cualquier capacitación posterior se logra con conjuntos de datos mucho más pequeños y específicos. De hecho, MUSK es una herramienta lista para usar que los médicos pueden perfeccionar para ayudar a responder preguntas clínicas específicas.
“La mayor necesidad clínica no satisfecha es la de contar con modelos que los médicos puedan utilizar para guiar el tratamiento de los pacientes”, afirmó Lee. “¿Este paciente necesita este medicamento? ¿O deberíamos centrarnos en otro tipo de terapia? Actualmente, los médicos utilizan información como el estadio de la enfermedad y genes o proteínas específicos para tomar estas decisiones, pero eso no siempre es cierto”.
Los investigadores recopilaron portaobjetos microscópicos de secciones de tejido, informes de patología relevantes y datos de seguimiento (incluido el desempeño de los pacientes) de la base de datos nacional The Cancer Genome Atlas. , riñón, vejiga, cabeza y cuello. Usaron la información para entrenar a MUSK para predecir la supervivencia de una enfermedad específica, o el porcentaje de personas que no han muerto de una enfermedad específica durante un período de tiempo determinado.
Para todos los tipos de cáncer, MUSK predijo correctamente la supervivencia específica de la enfermedad de un paciente el 75% de las veces. Por el contrario, las predicciones estandarizadas basadas en el estadio del cáncer de una persona y otros factores de riesgo clínicos fueron correctas el 64% de las veces.
En otro ejemplo, los investigadores entrenaron a MUSK para que utilizara miles de bits de información para predecir qué pacientes con cáncer de pulmón o de estómago y esófago podrían beneficiarse más de la inmunoterapia.
“Actualmente, la gran decisión sobre si administrar o no a un paciente un tipo particular de inmunoterapia depende de si el tumor de esa persona expresa una proteína llamada PD-L1”, dijo Lee. “Es un biomarcador que se compone de una sola proteína. Por el contrario, si podemos usar inteligencia artificial para examinar cientos o miles de bits de datos de muchos tipos de datos, incluidas imágenes de tejidos, así como poblaciones de pacientes”, señala el historial médico. , tratamientos anteriores y pruebas de laboratorio recopiladas de notas clínicas, podemos determinar con mayor precisión quién podría beneficiarse”.
Para el cáncer de pulmón de células no pequeñas, MUSK identificó correctamente a los pacientes que se beneficiaron de la inmunoterapia aproximadamente el 77% de las veces. Por el contrario, el método estándar para predecir la respuesta a la inmunoterapia basado en la expresión de PD-L1 fue exacto sólo el 61 por ciento de las veces.
Se obtuvieron resultados similares cuando los investigadores entrenaron a MUSK para identificar qué personas con melanoma tenían más probabilidades de sufrir una recurrencia dentro de los cinco años posteriores al tratamiento inicial. En este caso, el modelo fue correcto aproximadamente el 83% de las veces, lo que es aproximadamente un 12% más preciso que las predicciones de otros modelos básicos.
“Lo que es único de MUSK es su capacidad de incluir datos multimodales no emparejados en el entrenamiento previo, lo que escala significativamente los datos en comparación con los datos emparejados requeridos para otros modelos”, dijo Lee. “Observamos que para todas las tareas de predicción clínica, los modelos que combinan múltiples tipos de datos superan consistentemente a los que se basan únicamente en imágenes o datos de texto. Modelos de inteligencia artificial como MUSK Aprovechando este tipo de datos multimodales desagregados con inteligencia artificial para ayudar a los médicos a mejorar la atención al paciente será un gran avance.”
Investigadores de la Facultad de Medicina de Harvard contribuyeron al trabajo.
Este estudio fue financiado por los Institutos Nacionales de Salud (Subvenciones R01CA222512, R01CA233578, R01CA269599, R01CA285456, R01CA290715 y R01DE030894) y el Instituto Stanford para el Instituto Artig centrado en las personas.
