Stadiul actual al inteligenței artificiale în cercetarea, diagnosticul și tratamentul cancerului

Inteligența artificială (IA), învățarea automată și învățarea profundă, despre care auzim tot mai des, își găsesc locul și în cercetarea biomedicală și îngrijirea oncologică, domenii cu aplicații potențiale foarte ample și importante. Cercetările privind IA în oncologie includ diagnosticul cancerului, identificarea subtipurilor, optimizarea tratamentelor și identificarea unor noi candidați în descoperirea de medicamente. Marile volume de date medicale necesare modelelor de învățare automată există deja, dar mai sunt obstacole importante de depășit pentru valorificarea deplină a IA atât în cercetarea oncologică, cât și în clinică.

Așadar, cum putem începe să aplicăm inteligența artificială pentru a îmbunătăți diagnosticul, evoluția cancerului la pacienți și tratamentul și pentru a orienta descoperirea unor noi medicamente?

Patru specialiști au răspuns întrebărilor: Olivier Elemento, profesor de fiziologie și biofizică la Universitatea Cornell; Christina Leslie, profesoară de fiziologie, biofizică și biologia sistemelor la Memorial Sloan Kettering Cancer Center; Johan Lundin, profesor de tehnologie medicală la Universitatea din Helsinki, Finlanda, și Institutul Karolinska, Suedia; și Georgia Tourassi, profesoară de radiologie la Universitatea Duke și Universitatea Tennese din Knoxville.

Înainte de detalii, să rezumăm conceptele de inteligență artificială, învățare automată și învățare profundă prin infograficul de mai jos:

Cercetări promițătoare pentru diagnosticul și tratamentul cancerului

Specialiștii spun că studiile de IA și învățare profundă concentrate pe imagistică sunt, fără îndoială, promițătoare. Ultimul deceniu a adus progrese importante în aplicarea IA în cercetarea cancerului, inclusiv învățarea profundă și creșterea puterii de calcul. Digitalizarea datelor folosite de medicii anatomopatologi în diagnosticul cancerului, care continuă și acum, face parte din aceste progrese. Așa cum AlphaGo22, un algoritm de rețea neuronală, a învățat Go din rezultatele jocurilor și și-a demonstrat precizia învingând toți campionii de Go, și în oncologie datele vizuale stocate în cloud pot fi analizate într-o rețea neuronală antrenată, cu algoritmi de inteligență artificială (IA).

Un model de învățare profundă poate evalua și omogenitatea-eterogenitatea tumorii. În acest domeniu au apărut rapid numeroase exemple, care sugerează că IA ar putea fi utilizată și pentru analiza înregistrărilor video de colonoscopie.

Pe lângă detectarea tumorilor, domenii promițătoare sunt alegerea și planificarea tratamentului asistate de calculator pe baza datelor clinice, estimarea prognosticului (evoluția bolii), dezvoltarea unor medicamente noi și screeningul oncologic populațional.

Odată cu creșterea numărului și varietății medicamentelor și cu introducerea tratamentelor combinate, alegerea tratamentului în oncologie a devenit tot mai complexă. Progresele IA vor putea aborda aceste probleme, estimând ce combinație de medicamente ar fi mai eficientă pentru pacient. Astfel, în oncologie își vor găsi locul tratamente individualizate, bazate și pe variațiile genetice și epigenetice ale pacienților.

Modelele de învățare profundă care prezic structura 3D a proteinelor din secvența primară de aminoacizi sunt un alt progres ingineresc. Utilizarea IA pentru acestea, cu rezultate suficient de precise pentru a înlocui datele experimentale, poate sprijini și producerea de noi cunoștințe științifice.

Cea mai mare dificultate a utilizării IA în practica clinică

Există un decalaj mare între literatura de cercetare biomedicală și modelele IA utilizate clinic. Majoritatea modelelor IA nu pot fi aplicate în clinică. Un motiv îl reprezintă etapele de aprobare care se schimbă rapid. Altul este integrarea IA în fluxul clinic și instruirea personalului pentru noul flux actualizat, proces care necesită timp și investiții considerabile.

Problema fundamentală este, de obicei, variația performanței modelelor IA în practica clinică din cauza diversității intrărilor: calitatea datelor, diferențele dintre cei care introduc și analizează datele sau particularitățile pacienților. Modelele fie nu au fost testate în fața acestor variații, fie testele au arătat clar o degradare a performanței. Pentru succes clinic sunt indispensabile evaluări realiste ale performanței modelelor actuale.

Digitalizarea este o altă condiție necesară aplicării IA în clinică. În radiologie, transformarea digitală s-a produs deja, dar în anatomia patologică nu. Instrumente pentru digitalizarea datelor de anatomie patologică există de peste 20 de ani, însă progresul este lent. Sunt necesare inovații suplimentare pentru simplificarea tehnologiei, reducerea costurilor și utilizarea ei și în medii cu resurse limitate.

Comunicarea este, de asemenea, importantă. Încă nu este clar cum vor ajunge rapoartele IA la medici, cum vor arăta și cum vor folosi medicii informațiile în managementul clinic al pacientului.

În fine, colaborarea oamenilor cu tehnologia IA poate conduce la încredere excesivă în aceasta și, prin urmare, la erori. Este important ca utilizatorii să rămână permanent atenți la posibile greșeli și să primească instruire în acest sens.

Importanța transparenței, reproductibilității și validării în IA

Mai multă transparență, reproductibilitate și validare sunt foarte importante pentru încrederea în modelele IA în clinică și cercetare.

Totuși, dacă transparența înseamnă să putem citi parametrii algoritmilor și să înțelegem ce fac, acest lucru nu va fi posibil pentru majoritatea algoritmilor IA viitori. AlphaZero a învățat singur să joace șah, shogi și Go atât de bine încât i-a învins chiar și pe cei mai buni maeștri. Nu există însă un motiv necesar să credem că putem sau chiar trebuie să înțelegem regulile prin care a învățat să joace.

Dacă reproductibilitatea înseamnă obținerea aceluiași rezultat la reantrenarea unui algoritm pe același set de date, algoritmul antrenat trebuie să aibă stabilitatea modelului. Algoritmii IA antrenați trebuie apoi testați și validați. După antrenarea pe „setul de antrenament”, toți sunt testați pe „setul de testare”. Totuși, aceste etape nu abordează generalizabilitatea; pentru aceasta este necesar un set de validare.

Pe scurt, pentru transparență, reproductibilitate și validare în IA poate fi necesară o abordare multidimensională de-a lungul întregului său ciclu de viață: de la colectarea datelor și dezvoltarea IA până la implementarea clinică și controlul continuu al calității.

Viitorul IA în oncologie pe termen scurt și lung

În funcție de ritmul de dezvoltare și amploarea aplicării modelelor IA, precum și de disponibilitatea datelor și resurselor de calcul, în următorii ani vom vedea tot mai multe utilizări pentru probleme importante ale cancerului. Pe măsură ce digitalizarea anatomiei patologice crește exponențial și datele de antrenare devin tot mai accesibile, modelele care prezic răspunsul la tratamente vor atinge maturitatea și performanța necesare utilizării clinice. Totodată, modelele IA vor fi antrenate pentru rezultate prognostice, oferind predicții individuale pentru pacienți și evoluția bolii lor.

Modelele secvențiale care prezic biomarkeri critici, precum semnale epigenomice și contacte cromatiniene 3D, vor fi utilizate pentru evaluarea sistematică a funcției variațiilor somatice necodante din genomurile canceroase. Modele predictive similare de splicing și poliadenilare alternativă vor fi folosite pentru depistarea mutațiilor care modifică procesarea ARN la pacienți. 

Concluzie

Pe termen lung, algoritmii IA vor urmări îmbunătățirea diagnosticului, sprijinirea alegerii tratamentului individual optim, ameliorarea rezultatelor pacienților și reducerea costurilor medicale. Vor putea fi utilizați pentru înțelegerea mecanismelor biologice ale cancerului, stabilirea combinațiilor terapeutice și dozelor și dezvoltarea de noi medicamente anticanceroase cu toxicitate mai mică. Cercetările se vor concentra chiar și pe îmbunătățirea metodelor imagistice actuale, precum mamografia, pentru modele care prezic riscul de apariție a cancerului și ajută la prevenirea lui.