Anonim
כיצד AI גורם לחיזוי סרטן השד

סרטן השד הוא בין שלושת הגורמים המובילים לתמותה הקשורה לסרטן אצל נשים בארצות הברית, ובעוד ששיטות איתור וטכנולוגיות כמו ממוגרפיה סייעו בהפחתת שיעור התמותה ב- 39 אחוזים מאז 1989, יותר מ- 41, 000 נשים בארצות הברית ימותו מת סרטן השד השנה, על פי Cancer.net.

מודל בינה מלאכותית חדש שפותח על ידי חוקרים במעבדות מדעי המחשב ובינה מלאכותית של MIT (CSAIL), לעומת זאת, יכול לנתח ממוגרפיה ולחזות סיכוני סרטן שד עד חמש שנים מראש.

דגמי סיכון פגומים

גילוי מוקדם קשור קשר הדוק לשיעורי התמותה המופחתים, ולכן המחקר בתחום התרכז בזיהוי תסמינים מוקדם ככל האפשר.

"חוקרים יוצרים מודלים לסיכון לסרטן השד מאז סוף שנות ה -80. אבל הדרך בה מדענים חשבו על זה לא השתנתה עד לא מזמן", אומר אדם יאלה, דוקטורנט ב- MIT CSAIL וסופר משותף של המחקר, אשר פורסם בכתב העת הרפואי Radiology.

מודלי סיכון קודמים התבססו על גורמים הכוללים גיל, היסטוריה משפחתית של סרטן שד, צפיפות שד וגורמים גנטיים. אף על פי שמודלים אלו סייעו בשיפור הגילוי המוקדם, הם מחמיצים הרבה נתונים חשובים אודות המטופל ואינם מספקים תוצאות מדויקות ברמה האישית.

"הבעיה בגישה זו היא שאתה מסכם מידע שחשוב לפני שמזינים אותו במודל, ומשמעות הדבר שהמודלים עצמם לא היו מדויקים במיוחד", אומרת יאלה.

מדעני MIT CSAIL חברו בשיתוף פעולה עם בית החולים הכללי של מסצ'וסטס (MGH) ופיתחו מודל למידה עמוקה שהוכשר על 90, 000 סריקות ממוגרפיה ברזולוציה מלאה של 60, 000 חולים אשר נסרקו במהלך מספר שנים עם תוצאות שונות.

האלגוריתם של הלמידה העמוקה של MIT מצא דפוסים ברקמת השד שרמזו על סיכון לסרטן אך היו עדינים מכדי שהעין האנושית תתפוס. כתוצאה מכך, ה- AI יכול למצוא סימנים לסרטן השד בממוגרפיה שנים קודם לכן מאשר רדיולוגים אנושיים, מה שעלול להפחית טיפולים פולשניים ולחתוך את ההוצאות הרפואיות.

על פי המחקר, המודל מנבא במדויק 31 אחוז מחולי סרטן בקטגוריית הסיכון הגבוהה ביותר. הדיוק של הדגמים הקיימים עומד על כ -18 אחוזים.

מתן טיפול בהתאמה אישית

אחד היתרונות של גילוי סרטן שד מבוסס AI הוא שרופאים יוכלו לספק סריקה ומניעה בהתאמה אישית עבור החולים.

"במקום לנקוט בגישה אחת שמתאימה לכל אחד, אנו יכולים להתאים אישית את ההקרנה סביב הסיכון של האישה לפתח סרטן", אומרת פרופסור רגינה ברזילי, MIT בכירה למחקר ושורדת סרטן השד בעצמה. "לדוגמא, רופא עשוי להמליץ ​​לקבוצה אחת של נשים לקבל ממוגרפיה מדי שנה, בעוד שקבוצה אחרת בעלת סיכון גבוה יותר עשויה לקבל בדיקת MRI משלימה."

"אם אתה נותן את ההקרנה הנכונה לאדם הנכון, אתה יכול גם לשפר את החוויה ולהפחית את הפגיעה בממוגרפיה אבל גם לתפוס את הסרטן מוקדם יותר. זה משנה את ההבדל העצום בהחלטות הטיפול, כי מה שאתה עושה בשלב מוקדם ובשלב מאוחר. סרטן זה מאוד שונה ", אומרת יאלה.

עד כה, המודל הוכיח את עצמו מדויק באותה מידה בקרב קבוצות של אנשים מגזעים ואתניים שונים. זו אחת מנקודות הכאב של דגמי סיכון אחרים, שביצועיהם משתנים בין אוכלוסיות שונות. על פי יאלה, מודלים של סיכון המבוססים על גורמי שטח ברמה גבוהה כמו גיל והיסטוריה משפחתית אינם הכללים היטב. לדוגמה, אם הם נוצרים על פי נתונים של נשים לבנות בעיקר, הם מתפקדים בצורה לא טובה בקרב חולים שאינם לבנים.

"המודל שלנו מבוסס על התבניות בפועל בממוגרפיה. למרות שבמערכות הנתונים שלנו, נשים אפרו-אמריקאיות [מהוות] 5 אחוזים מערך הנתונים בכללותו, המודל עדיין מתפקד באותה מידה עבור שניהם. מה זה מסמל ל אני זה שמידע על רקמות משותף יותר, ואילו ההיסטוריה המשפחתית עשויה שלא להיות ", אומרת יאלה.

קשורים

  • VA Reenlists ווטסון של IBM במאבק נגד סרטן VA Reenlists ווטסון של IBM בקרב נגד סרטן
  • 4 אפליקציות של Apple Watch שיעזרו לשמור על כרטיסיות בריאות לבכם 4 Apple Watch Apps שיעזרו לשמור על כרטיסיות על בריאות הלב
  • 5 פרויקטים מדהימים שישנו את העתיד של שירותי הבריאות 5 פרויקטים מדהימים שישנו את עתיד הבריאות

החוקרים רודפים כעת שיתופי פעולה עם יותר בתי חולים כדי ללמוד ולהגיש קבוצות אחרות ולהפוך את המודל לשוויוני עוד יותר. הם גם יחפשו להרחיב את העבודה לסוגים אחרים של סרטן, במיוחד כאלה שיש להם מודלים פחות אפקטיביים, כמו סרטן הלבלב.

מודל הלמידה העמוקה של MIT CSAIL הוא אחד מכמה פרויקטים שמטרתם ליישם בינה מלאכותית באבחון וטיפול בסרטן השד. חברות טק גדולות הכוללות יבמ, גוגל וחברת הבת DeepMind של אלף-בית מובילות את המאמצים בתחום לצד אוניברסיטאות כמו אוניברסיטת ניו יורק ובית הספר לרפואה של הרווארד.

"המטרה שלנו היא להפוך את ההתקדמות הללו לחלק מסטנדרט הטיפול", אומרת יאלה. "על ידי חיזוי מי יפתח סרטן בעתיד, אנו יכולים בתקווה להציל חיים ולתפוס סרטן לפני שמתעוררים תסמינים."