首页 >人工智能 > 内容

强大的人工智能工具可预测未来癌症

人工智能 2021-02-01 10:30:18

研究人员创建了一种风险评估算法,该算法可显示来自,欧洲和亚洲的数据集的一致表现。为了及早发现癌症,我们需要预测谁将来会患上癌症。人工智能(AI)工具增强了预测风险的复杂性,但是由于在新患者群体中表现不佳 以及对少数民族的忽视 ,人工智能在医学中的采用受到了限制 。

两年前,由麻省理工学院计算机科学与人工智能实验室(CSAIL)和杰米尔诊所(J-Clinic)组成的科学家团队展示了一种 深度学习系统, 可以仅使用患者的乳房X线照片来预测癌症风险。该模型显示出巨大的希望,甚至具有更高的包容性:白人和黑人妇女都同样准确,这尤其重要,因为黑人妇女死于乳腺癌的可能性增加了43%。

麻省理工学院的研究人员已经改进了他们的机器学习系统,该系统用于从乳房X线照片中预测癌症风险,并通过多家医院的研究验证了它们的有效性。研究人员的插图/麻省理工学院

但是,为了将基于图像的风险模型整合到临床护理中并使其广泛使用,研究人员表示,这些模型既需要算法改进,又需要在多家医院进行大规模验证,以证明其稳健性。

为此,他们量身定制了新的“ Mirai”算法,以捕捉风险建模的独特要求。Mirai共同模拟了多个未来时间点的患者风险,并且可以选择受益于年龄或家族病史等临床风险因素(如果有)。该算法还设计用于产生在临床环境中较小差异之间一致的预测,例如乳腺X线摄影机的选择。

小组在之前的工作中对来自马萨诸塞州总医院(MGH)的200,000项检查的相同数据集进行了Mirai培训,并在MGH,瑞典卡罗林斯卡研究所和台湾长庚纪念医院的测试仪上对Mirai进行了验证。Mirai现在已安装在MGH,团队的合作者正在积极致力于将模型整合到护理中。

在所有三个数据集中,Mirai在预测癌症风险和识别高风险人群方面比以前的方法准确得多。在比较MGH测试集上的高风险人群时,研究小组发现,与目前的临床标准Tyrer-Cuzick模型相比,他们的模型确定的未来癌症诊断要多出将近两倍。在MGH测试集中不同种族,年龄组和乳房密度类别的患者以及在Karolinska测试集中不同癌症亚型的患者,Mirai的准确性相似。

“改善的乳腺癌风险模型可实现有针对性的筛查策略,从而实现较早的发现,并且比现有指南更少的筛查危害,” CSAIL博士研究生,《 Mirai》杂志的主要作者亚当·亚拉(Adam Yala)说,该论文 发表 在《科学转化医学》上。“我们的目标是使这些进步成为护理标准的一部分。我们正在与北卡罗来纳州的Novant Health,乔治亚州的Emory,以色列的Maccabi,墨西哥的TecSalud,的Apollo和巴西的Barretos的临床医生合作,以进一步验证针对不同人群的模型,并研究如何最好地在临床上实施该模型。”

这个怎么运作

尽管乳腺癌筛查已被广泛采用,但研究人员称这种做法充满争议:更具攻击性的筛查策略旨在最大程度地发挥早期发现的优势,而频率较低的筛查旨在减少假阳性,焦虑和成本降低甚至永远都不会患乳腺癌的人

当前的临床指南使用风险模型来确定应推荐哪些患者进行补充成像和MRI。一些指南使用年龄刚开始的风险模型来确定是否应该以及多久对女性进行一次筛查。其他人则结合了与年龄,激素,遗传学和乳房密度有关的多种因素,以确定进一步的检查方法。尽管经过数十年的努力,临床实践中使用的风险模型的准确性仍然不高。

最近,基于深度学习乳腺摄影的风险模型显示出令人鼓舞的性能。为了将这项技术带入临床,研究团队确定了他们认为对风险建模至关重要的三项创新:联合建模时间,可选使用非图像风险因素以及确保在整个临床环境中保持一致性能的方法。

风险建模的本质是从具有不同随访量的患者那里学习,并在不同时间点评估风险:这可以确定他们进行筛查的频率,是否应该进行补充影像检查,甚至考虑采取预防性治疗。

尽管可以训练不同的模型来评估每个时间点的风险,但是这种方法可能会导致没有意义的风险评估-例如预测患者两年内患癌症的风险要高于五年内患癌症的风险。 。为了解决这个问题,该团队设计了模型,以使用称为“附加危害层”的工具在所有时间点同时预测风险。

加性危害层的工作方式如下:他们的网络预测患者在某个时间点(例如五年)的风险,作为其在先前时间点(例如四年)的风险的扩展。通过这样做,他们的模型可以从具有不同后续量的数据中学习,然后进行自洽的风险评估。

2.非图像风险因素

尽管此方法主要关注乳房X线照片,但该团队还希望使用非图像风险因素,例如年龄和荷尔蒙因素(如果有),但在测试时不需要。一种方法是将这些因素作为带有图像的模型的输入,但是这种设计将阻止大多数没有此基础架构的医院(例如Karolinska和CGMH)使用该模型。

为了使Mirai无需风险因素而从风险因素中受益,网络会在训练时预测该信息,如果信息不存在,则可以使用其自己的预测版本。乳房X线照片是健康信息的丰富来源,因此许多传统的危险因素,例如年龄和更年期状态,都可以通过其成像轻松预测。这种设计的结果是,全球任何一家诊所都可以使用相同的模型,如果他们拥有其他信息,则可以使用它。

3.在整个临床环境中表现一致

要将深度学习风险模型整合到临床指南中,这些模型必须在各种临床环境中保持一致的性能,并且其预测不会受到细微变化(例如使用乳房X线照片的机器)的影响。即使在一家医院中,科学家们也发现,在进行乳房X线摄影机更换之前和之后,标准培训无法产生一致的预测,因为算法可以学习依赖于特定于环境的不同线索。为了 消除该模型的偏见,该团队使用了一种 对抗方案,其中该模型专门学习与源临床环境一致的乳房X线照片表示,以产生一致的预测。

为了进一步测试这些更新在不同临床环境中的作用,科学家们对来自瑞典Karolinska和台湾长庚纪念医院的新测试仪上的Mirai进行了评估,发现其性能稳定。该团队还分析了该模型在MGH测试集中各个种族,年龄和乳房密度类别以及在Karolinska数据集上各个癌症亚型之间的表现,发现其在所有亚组中的表现相似。

麻萨诸塞州总医院的乳腺外科医师Salewai Oseni说:“非裔妇女在年轻时就经常出现乳腺癌,而且往往处于晚期。” “这再加上该组中三阴性乳腺癌的发生率更高,导致乳腺癌死亡率增加。这项研究证明了风险模型的发展,该模型的预测在整个种族中具有显着的准确性。临床上使用它的机会很高。”

这是Mirai的工作方式:

1.乳房X射线照片通过“图像编码器”放置。

2.每个图像表示形式以及它来自哪个视图,都会与其他视图中的其他图像进行汇总,以获得整个乳房X线照片的表示。

3.使用乳房X光检查,可以使用Tyrer-Cuzick模型预测患者的传统危险因素(年龄,体重,荷尔蒙因素)。如果不可用,则使用预测值。

4.利用此信息,附加危害层可以预测未来五年中每年的患者风险。

改善未来

尽管当前模型未查看患者先前的任何成像结果,但是随着时间的推移,成像变化会包含大量信息。将来,该团队旨在创建可以有效利用患者完整影像史的方法。

研究小组以类似的方式指出,可以通过利用X射线技术“筛查合成”筛查无症状癌症患者来进一步改善该模型。除了提高准确性外,还需要进行其他研究来确定如何将基于图像的风险模型应用于数据有限的不同乳腺摄影设备。

“我们知道MRI可以比乳房X线照相术更早地发现癌症,而且尽早发现可以改善患者的预后,” Yala说。“但是对于癌症风险较低的患者,假阳性的风险可能会超过收益。借助改进的风险模型,我们可以设计出更细致的风险筛查指南,从而为罹患癌症的患者提供更敏感的筛查(如MRI),从而获得更好的结果,同时减少其余患者的不必要筛查和过度治疗。”

“我们很高兴和谦虚地问这个AI系统是否适用于非裔人”,医学博士,医学博士,茱莉·吉乔亚(Judy Gichoya),埃默里大学介入放射学和信息学助理教授,他并未参与该研究。工作。“我们正在广泛研究这个问题,以及如何发现故障。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢。