Brug AI til at forudsige brystkræft og personlig pleje

På trods af store fremskridt inden for genetik og moderne billeddannelse, diagnosen overrasker de fleste brystkræftpatienter. For nogle, det kommer for sent. Senere diagnose betyder aggressive behandlinger, usikre resultater, og flere lægeudgifter. Som resultat, identificering af patienter har været en central søjle i brystkræftforskning og effektiv tidlig opsporing.

Med det i tankerne, et team fra MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) og Massachusetts General Hospital (MGH) har skabt en ny deep-learning-model, der kan forudsige fra et mammografi, om en patient sandsynligvis vil udvikle brystkræft så meget som fem år i fremtid. Trænet på mammografi og kendte resultater fra over 60, 000 MGH -patienter, modellen lærte de subtile mønstre i brystvæv, der er forstadier til maligne tumorer.

MIT -professor Regina Barzilay, selv en overlevende af brystkræft, siger, at håbet er, at systemer som disse gør det muligt for læger at tilpasse screenings- og forebyggelsesprogrammer på individuelt niveau, gør sen diagnose til et levn fra fortiden.

Selvom mammografi har vist sig at reducere dødeligheden af ​​brystkræft, der er fortsat debat om, hvor ofte man skal screene, og hvornår man skal starte. Mens American Cancer Society anbefaler årlig screening fra 45 år, den amerikanske forebyggende taskforce anbefaler screening hvert andet år fra 50 år.

"I stedet for at tage en one-size-fits-all tilgang, vi kan personliggøre screening omkring en kvindes risiko for at udvikle kræft, "siger Barzilay, seniorforfatter af et nyt papir om projektet, der udkommer i dag i radiologi. "For eksempel, en læge kan anbefale, at en gruppe kvinder får et mammografi hvert andet år, mens en anden gruppe med højere risiko kan få supplerende MR-screening. "Barzilay er Delta Electronics Professor ved CSAIL og Institut for Elektroteknik og Datalogi ved MIT og medlem af Koch Institute for Integrative Cancer Research ved MIT.

Teamets model var betydeligt bedre til at forudsige risiko end eksisterende fremgangsmåder:Den placerede præcist 31 procent af alle kræftpatienter i sin kategori med højeste risiko, sammenlignet med kun 18 procent for traditionelle modeller.

Harvard-professor Constance Lehman siger, at der tidligere har været minimal støtte i det medicinske samfund til screeningsstrategier, der er risikobaserede snarere end aldersbaserede.

"Dette skyldes, at før vi ikke havde nøjagtige risikovurderingsværktøjer, der fungerede for de enkelte kvinder, "siger Lehman, professor i radiologi ved Harvard Medical School og divisionschef for brystbillede ved MGH. "Vores arbejde er det første, der viser, at det er muligt."

Barzilay og Lehman skrev papiret sammen med hovedforfatter Adam Yala, en CSAIL Ph.D. studerende. Andre MIT-medforfattere omfatter ph.d. studerende Tal Schuster og tidligere kandidatstuderende Tally Portnoi.

Hvordan det virker

Siden den første brystkræftrisikomodel fra 1989, udvikling har i vid udstrækning været drevet af menneskelig viden og intuition om, hvilke store risikofaktorer der kan være, såsom alder, familiehistorie med bryst- og æggestokkræft, hormonelle og reproduktive faktorer, og brysttæthed.

Imidlertid, de fleste af disse markører er kun svagt korreleret med brystkræft. Som resultat, sådanne modeller er stadig ikke særlig præcise på individuelt niveau, og mange organisationer føler fortsat, at risikobaserede screeningsprogrammer ikke er mulige, givet disse begrænsninger.

I stedet for manuelt at identificere de mønstre i et mammogram, der driver fremtidig kræft, MIT/MGH-teamet uddannede en deep-learning-model til at udlede mønstrene direkte fra dataene. Ved hjælp af oplysninger fra mere end 90, 000 mammogrammer, modellen opdagede mønstre for subtile til, at det menneskelige øje kunne opdage.

"Siden 1960'erne har radiologer bemærket, at kvinder har unikke og vidt forskellige mønstre af brystvæv, der er synlige på mammogrammet, "siger Lehman." Disse mønstre kan repræsentere genetikens indflydelse, hormoner, graviditet, amning, kost, vægttab, og vægtforøgelse. Vi kan nu udnytte disse detaljerede oplysninger for at være mere præcise i vores risikovurdering på individuelt niveau. "

Gør kræftopdagelse mere retfærdig

Projektet har også til formål at gøre risikovurdering mere præcis for racemæssige minoriteter, i særdeleshed. Mange tidlige modeller blev udviklet på hvide populationer, og var meget mindre præcise for andre løb. MIT/MGH -modellen, imens, er lige præcis for hvide og sorte kvinder. Dette er især vigtigt, da sorte kvinder har vist sig at være 42 procent mere tilbøjelige til at dø af brystkræft på grund af en lang række faktorer, der kan omfatte forskelle i opdagelse og adgang til sundhedspleje.

"Det er særligt slående, at modellen fungerer lige så godt for hvide og sorte mennesker, hvilket ikke har været tilfældet med tidligere værktøjer, "siger Allison Kurian, en lektor i medicin og sundhedsforskning/politik ved Stanford University School of Medicine. "Hvis den er valideret og tilgængelig til udbredt brug, dette kunne virkelig forbedre vores nuværende strategier til at estimere risiko. "

Barzilay siger, at deres system også en dag kunne gøre det muligt for læger at bruge mammografi for at se, om patienter har større risiko for andre sundhedsproblemer, som hjerte -kar -sygdom eller andre kræftformer. Forskerne er ivrige efter at anvende modellerne på andre sygdomme og lidelser, og især dem med mindre effektive risikomodeller, som kræft i bugspytkirtlen.

"Vores mål er at gøre disse fremskridt til en del af standarden for pleje, "siger Yala." Ved at forudsige, hvem der vil udvikle kræft i fremtiden, vi kan forhåbentlig redde liv og fange kræft, før der nogensinde opstår symptomer. "

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT -forskning, innovation og undervisning.