ИИ прогнозирует выживаемость
Американский учёный Хьюго Эртс вместе с коллегами разработали модель глубокого обучения, в которой использовались томографические снимки опухолей пациентов с немелкоклеточным раком легких в динамике результатов лечения.
Рак легких – главная причина смерти от онкологических заболеваний во всем мире. Немелкоклеточный рак лёгких составляет около 85 процентов всех видов рака легких. Стандартная оценка диагноза и ответа на терапию для пациентов в значительной степени зависит от измерения максимального диаметра опухоли, который подвержен изменениям с течением времени.
Чтобы понять, можно ли делать более точные предсказания о результатах терапии, учёные создали модель глубокого обучения. Они переносили данные из нейронной сети ImageNet, созданной исследователями из Принстонского и Стэнфордского университетов, и обучали свои модели на сериях снимков компьютерной томографии 179 пациентов с 3-й стадией немелкоклеточного рака лёгких после химиолучевой терапии. На снимках были изображены пациенты до лечения, через один, три и шесть месяцев после лечения. В общей сложности получилось 581 изображение.
Исследователи проанализировали способность модели делать достоверные прогнозы исхода заболевания с помощью двух наборов данных: учебного набора из 581 изображений и независимого набора из 178 изображений от 89 пациентов с немелкоклеточным раком легких после химиотерапии и хирургического вмешательства. Производительность моделей улучшалась с добавлением каждого последующего набора снимков.
Точность прогноза увеличилась до 0,74 после добавления всех доступных снимков компьютерной томографии. Пациенты, отнесенные моделью к группе низкого риска смертности, имели шестикратное увеличение общей выживаемости в отличие от пациентов, отнесенных к группе высокого риска.
В сравнении с клинической моделью, которая использует такие параметры, как стадия болезни, пол, возраст, размер опухоли, наличие вредных привычек, модель глубокого обучения показала большую эффективность в прогнозировании отдаленного метастазирования, прогрессирования и локального рецидива.
Единственным недостатком этого метода исследования является небольшой массив данных, который нужно увеличивать, чтобы оценить его в дальнейших клинических испытаниях.
Предложенная модель глубокого обучения в дальнейшем поможет клиницистам адаптировать планы лечения для отдельных пациентов и помочь собрать статистику в различные группы риска для клинических испытаний.
Статья Xu et al. Deep Learning Predicts Lung Cancer Treatment Response from Serial Medical Imaging опубликована в журнале Clinical Cancer Research.
Елена Панасюк, портал «Вечная молодость» http://vechnayamolodost.ru/ по материалам AACR: A Deep-learning Model May Help Predict Lung Cancer Survival and Outcomes