Современные достижения ИИ в исследовании, диагностике и лечении рака

Искусственный интеллект (ИИ), машинное и глубокое обучение, о которых мы часто слышим, находят место и в биомедицинских исследованиях и медицинской помощи в онкологии — области с огромным потенциалом применения этих технологий. Исследования ИИ в онкологии охватывают диагностику рака, определение его подтипов, оптимизацию лечения и поиск новых кандидатов в лекарства. Большие массивы медицинских данных, необходимые моделям машинного обучения, уже существуют. Но для полного раскрытия потенциала ИИ в исследованиях рака и клинической практике остаётся преодолеть серьёзные препятствия.

Итак, как начать применять искусственный интеллект для диагностики рака, прогнозирования течения болезни, улучшения лечения и поиска новых лекарств?

На эти вопросы ответили четыре специалиста: Olivier Elemento, профессор физиологии и биофизики Корнеллского университета; Christina Leslie, профессор физиологии, биофизики и системной биологии Онкологического центра Memorial Sloan Kettering; Johan Lundin, профессор медицинских технологий Университета Хельсинки в Финляндии и Каролинского института в Швеции; Georgia Tourassi, профессор радиологии Университета Duke и университета в Knoxville, Tennese.

Прежде чем перейти к подробностям, кратко представим на инфографике понятия искусственного интеллекта, машинного обучения и глубокого обучения:

Перспективные исследования для диагностики и лечения рака

По мнению экспертов, исследования ИИ и глубокого обучения, сосредоточенные на визуализации, несомненно, перспективны. За последнее десятилетие достигнут большой прогресс в применении ИИ к исследованию рака: развивалось глубокое обучение, росла вычислительная мощность. Сюда же относится продолжающийся перевод в цифровой формат данных, используемых патологоанатомами для диагностики рака. Подобно тому как нейросетевой алгоритм AlphaGo22 учился играть в Go по результатам игр и подтвердил точность, победив всех чемпионов Go, в онкологии хранящиеся в облаке изображения можно анализировать алгоритмами ИИ в обученной нейронной сети.

Модель глубокого обучения также позволяет оценивать однородность и неоднородность опухоли. В этой области быстро появилось много примеров, предполагающих возможность использования ИИ и при анализе видеозаписей колоноскопии.

Помимо выявления опухолей, перспективны компьютерный подбор и планирование лечения на основе клинических данных, прогнозирование течения болезни, разработка новых лекарств и популяционный скрининг рака.

С увеличением числа и разнообразия препаратов и появлением комбинированного лечения выбор терапии в онкологии становится всё сложнее. Прогресс ИИ может помочь решить эти проблемы и предсказывать, какая комбинация препаратов окажется эффективнее для конкретного пациента. Таким образом, в онкологию будут входить индивидуализированные подходы, учитывающие генетические и эпигенетические различия пациентов.

Модели глубокого обучения, предсказывающие 3D-структуру белка по первичной аминокислотной последовательности, — ещё один инженерный прорыв. Использование ИИ для решения таких задач с точностью, достаточной для замены экспериментальных данных, может также способствовать получению новых научных знаний.

Главная трудность применения искусственного интеллекта в клинике

Между биомедицинской научной литературой и используемыми в клинике моделями ИИ существует большой разрыв. Большинство моделей пока неприменимы в клинике. Одна из причин — быстро меняющиеся этапы получения разрешений. Другая — необходимость включения ИИ в клинический рабочий процесс и обучения персонала работе по обновлённым правилам, что требует значительных затрат времени и инвестиций.

Основная проблема в том, что результаты моделей ИИ в клинике часто колеблются из-за разнообразия входных данных: качества информации, различий между вводящими и анализирующими её людьми и особенностей пациентов. При таких изменениях модели либо не испытывались, либо результаты испытаний явно показывали ухудшение эффективности. Для клинического успеха существующим моделям обязательно нужна реалистичная оценка их работы.

Цифровизация — ещё одно необходимое условие внедрения ИИ в клинику. В радиологии цифровой переход уже произошёл, но в патологии ситуация иная. Средства цифровизации патологических данных существуют более 20 лет, однако прогресс медленный. Необходимы новые решения, упрощающие технологию, снижающие стоимость и позволяющие применять её при ограниченных ресурсах.

Важна и передача информации. До сих пор неясно, каким образом отчёты ИИ будут поступать врачам, как они будут выглядеть и как врач будет использовать их сведения при клиническом ведении пациента.

Наконец, совместная работа человека с ИИ может привести к чрезмерному доверию технологии и, как следствие, к ошибкам. Поэтому важно постоянно сохранять настороженность в отношении возможных ошибок и обучать этому пользователей.

Значение прозрачности, воспроизводимости и валидации ИИ

Для доверия к моделям ИИ в клинике и исследованиях особенно важны большая прозрачность, воспроизводимость и валидация.

Однако если под прозрачностью понимать возможность прочитать параметры алгоритма и понять, что он делает, для большинства будущих алгоритмов ИИ это будет невозможно. AlphaZero самостоятельно научился шахматам, сёги и Go настолько хорошо, что победил даже лучших мастеров. Но нет оснований считать, что мы сможем или вообще должны понимать правила, которым он научился для игры.

Если воспроизводимость означает получение того же результата при повторном обучении алгоритма на том же наборе данных, обученная модель должна быть стабильной. Затем алгоритмы ИИ необходимо тестировать и валидировать. После обучения на «обучающем наборе» их проверяют на «тестовом наборе». Однако эти этапы не показывают обобщаемость; для неё необходим валидационный набор данных.

Таким образом, обеспечение прозрачности, воспроизводимости и валидации ИИ может потребовать комплексного подхода на всём жизненном цикле: от сбора данных и разработки до клинического внедрения и непрерывного контроля качества.

Ближайшее и отдалённое будущее ИИ в онкологии

В зависимости от темпов развития и широты применения моделей, а также доступности данных и вычислительных ресурсов, в ближайшие годы мы увидим всё больше применений ИИ к важным проблемам онкологии. По мере ускорения цифровизации патологии и роста доступности обучающих данных модели, предсказывающие ответ на конкретные методы лечения, достигнут зрелости и эффективности, достаточных для клинического использования. Одновременно их будут обучать прогнозированию результатов для отдельных пациентов и специфических исходов заболевания.

Кроме того, модели последовательностей, предсказывающие важные биомаркеры, например эпигеномные сигналы и 3D-контакты хроматина, будут использовать для систематической оценки функций некодирующих соматических вариантов опухолевого генома. Сходные предиктивные модели сплайсинга и альтернативного полиаденилирования будут применять для поиска у пациентов мутаций, изменяющих процессинг РНК. 

Заключение

В долгосрочной перспективе алгоритмы ИИ должны улучшать диагностику, помогать выбирать оптимальное индивидуальное лечение, улучшать исходы и снижать расходы на здравоохранение. Их можно будет применять для лучшего понимания биологических механизмов рака, определения комбинаций препаратов и дозировок, а также разработки новых противоопухолевых средств с меньшей токсичностью. Исследования будут направлены даже на совершенствование существующей визуализации, например маммографии, и создание моделей, предсказывающих риск развития рака и помогающих его предотвращать.