Nyt AI-værktøj identificerer kræftudfald ved hjælp af radiologirapporter

Forskere ved Dana-Farber Cancer Institute har vist, at et kunstig intelligensværktøj kan yde lige så godt som menneskelige anmeldere - og meget hurtigere - med at udtrække klinisk information om ændringer i tumorer fra ustrukturerede røntgenrapporter for patienter med lungekræft.

AI-værktøjet fungerede sammenligneligt med uddannede menneskelige "kuratorer" til at opdage tilstedeværelsen af ​​kræft; og om det reagerede på behandlingsinterventioner, stabil eller forværring.

Målet med undersøgelsen, sagde den tilsvarende forfatter Kenneth Kehl, MD, MPH, en medicinsk onkolog og fakultetsmedlem af Befolkningsvidenskabsafdelingen på Dana-Faber, var at bestemme, om kunstig intelligens-værktøjer kan udtrække de mest værdifulde kræftresultater fra radiologirapporter, som er en allestedsnærværende, men ustruktureret datakilde.

Kehl bemærkede, at elektroniske sundhedsjournaler nu samler enorme mængder information om tusindvis af patienter set på et center som Dana-Farber. Imidlertid, medmindre patienterne er optaget i kliniske forsøg, oplysninger om deres resultater, såsom om deres kræftformer vokser eller skrumper som reaktion på behandling, er kun optaget i journalteksten. Historisk set, denne ustrukturerede information er ikke modtagelig for beregningsmæssig analyse og kan derfor ikke bruges til forskning i behandlingens effektivitet.

På grund af undersøgelser som Profile-initiativet på Dana-Farber/Brigham og Women's Cancer Center, som analyserer patienttumorprøver og skaber profiler, der afslører genomiske varianter, der kan forudsige reaktion på behandlinger, Dana-Farber-forskere har samlet et væld af molekylær information om patienters kræftsygdomme. "Men det kan være vanskeligt at anvende denne information til at forstå, hvilke molekylære mønstre forudsiger gavn af behandlinger uden intensiv gennemgang af patienters journaler for at måle deres resultater. Dette er en kritisk barriere for at realisere det fulde potentiale af præcisionsmedicin, sagde Kehl.

For den aktuelle undersøgelse, Kehl og kolleger opnåede over 14, 000 billedbehandlingsrapporter for 1, 112 patienter og manuelt gennemgåede journaler ved hjælp af "PRISSMM"-rammen. PRISSMM er en fænomisk datastandard udviklet hos Dana-Farber, der tager ustrukturerede data fra tekstrapporter i elektroniske sundhedsjournaler og strukturerer dem, så de let kan analyseres. PRISSMM strukturerer data vedrørende en patients patologi, radiologi/billedbehandling, tegn/symptomer, molekylære markører, og en medicinsk onkologs vurdering for at skabe et portræt af kræftpatientens rejse.

Menneskelige anmeldere analyserede billedtekstrapporterne og bemærkede, om der var kræft til stede og, hvis så, om det var forværret eller forbedret, og hvis kræften havde spredt sig til bestemte kropssteder. Disse rapporter blev derefter brugt til at træne en beregningsmæssig "deep learning"-model til at genkende disse resultater fra tekstrapporterne. "Vores hypotese var, at deep learning-algoritmer kunne bruge rutinegenererede radiologitekstrapporter til at identificere tilstedeværelsen af ​​kræft og ændringer i dens omfang over tid, " skrev forfatterne.

Forskerne sammenlignede menneskelige og computermålinger af resultater såsom sygdomsfri overlevelse, progressionsfri overlevelse, og tid til forbedring eller respons, og fandt ud af, at AI-algoritmen kunne replikere menneskelig vurdering af disse resultater. Deep learning-algoritmerne blev derefter anvendt til at kommentere yderligere 15, 000 rapporter for 1, 294 patienter, hvis journaler ikke var blevet manuelt gennemgået. Forfatterne fandt, at computerresultatmålinger blandt disse patienter forudsagde overlevelse med samme nøjagtighed som menneskelige vurderinger blandt de manuelt gennemgåede patienter.

De menneskelige kuratorer var i stand til at kommentere billeddannelsesrapporter for omkring tre patienter i timen, en hastighed, hvormed en kurator ville bruge omkring seks måneder til at kommentere alle de næsten 30, 000 billeddiagnostiske rapporter for patienterne i kohorten. Derimod den kunstige intelligensmodel, som forskerne udviklede, kunne kommentere billeddannelsesrapporterne for kohorten på omkring 10 minutter, sagde forskerne i en rapport i JAMA Onkologi .

"At skabe et ægte læringssundhedssystem for onkologi og for at lette levering af præcisionsmedicin i skala, metoder er nødvendige for at fremskynde kurering af kræftrelaterede udfald fra elektroniske sundhedsjournaler, " sagde forfatterne til publikationen. Hvis den anvendes bredt, efterforskerne sagde, "denne teknik kan væsentligt fremskynde bestræbelserne på at bruge data fra den virkelige verden fra alle patienter med kræft til at generere beviser vedrørende effektiviteten af ​​behandlingsmetoder." De næste trin vil omfatte at teste denne tilgang på EPJ-data fra andre cancercentre og bruge dataene til at finde ud af, hvilke behandlinger der fungerer bedst for hvilke patienter.