Het samenvoegen van visuele informatie, zoals microscopische en röntgenfoto's, CT- en MRI-scans, met tekst uit onderzoeksnotities, communicatie tussen artsen van verschillende specialismen, is een belangrijk onderdeel van de kankerzorg. En hoewel AI artsen helpt bij het bekijken van beelden en het opsporen van ziekte gerelateerde afwijkingen zoals abnormaal gevormde cellen, is de ontwikkeling van geautomatiseerde modellen die meerdere soorten gegevens kunnen verwerken, nog altijd een uitdaging.
Welnu, onderzoekers van Stanford Medicine zijn er onlangs in geslaagd een AI-model te ontwikkelen dat zowel visuele- als tekstuele informatie kan verwerken. Het model is getraind met 50 miljoen medische afbeeldingen van standaard pathologieglaasjes en meer dan 1 miljard pathologie gerelateerde teksten.
Betere prognoses voor behandeling
Uit hun onderzoek bleek vervolgens dat het model beter presteert dan standaardmethoden, als het gaat om het vermogen behandelprognoses te maken van duizenden mensen met verschillende soorten kanker. Prognoses waarmee voorspeld kan worden of, en welke, patiënten met long- of gastro-oesofageale kanker waarschijnlijk baat zullen hebben bij immuuntherapie, of om bij mensen met melanoom te kunnen voorspellen bij wie de kans op terugkeer van hun kanker het grootst is.
Het onderzoek, multimodale transformator met unified mask modeling, kortom MUSK (what’s in a name), wijkt duidelijk af van de manier waarop AI momenteel wordt gebruikt in klinische zorgomgevingen. De onderzoekers geloven dat het de manier waarop AI de zorg voor patiënten kan begeleiden, kan transformeren.
“MUSK kan nauwkeurig de prognose voorspellen van mensen met veel verschillende soorten en stadia van kanker. We hebben MUSK ontworpen omdat artsen in de klinische praktijk nooit vertrouwen op slechts één type gegevens om klinische beslissingen te nemen. We wilden meerdere soorten gegevens gebruiken om meer inzicht te krijgen en preciezere voorspellingen te doen over de resultaten van patiënten”, zegt zegt Ruijiang Li, MD, universitair hoofddocent bestralingsoncologie. Het onderzoek is onlangs gepubliceerd in Nature.
AI in de zorg
Het gebruik van AI is in de zorg al lang geen unicum meer. Echter, zo stellen de onderzoekers, wordt het met name ingezet in de diagnostiek. Zoals voor het ondersteunen van radiologen bij het beoordelen van CT-, röntgen- en MRI-scans in de zoektocht naar tumoren en andere aandoeningen. Een andere toepassing die met name het afgelopen jaar is doorgebroken, zijn de generatieve AI-tools waarmee gespreksverslagen en -notities geautomatiseerd gegenereerd worden. Een andere ontwikkeling op dit gebied is het 'vertalen' van medische teksten in begrijpelijke taal voor patiënten.
MUSK is een AI-model dat, zo stellen de onderzoekers, als een van de eersten in zijn soort visuele en tekstuele informatie koppelt voor het maken van een prognose voor de behandeling of prognose van een ziekte. Het is wat zij noemen een foundation model. Dit zijn modellen die zijn voorgetraind op grote hoeveelheden gegevens en, met aanvullende training, aangepast worden om specifieke taken uit te voeren. Omdat de onderzoekers MUSK hebben ontworpen om ongepaarde multimodale gegevens te gebruiken die niet voldoen aan de traditionele eisen voor het trainen van kunstmatige intelligentie, wordt de hoeveelheid gegevens die de computer kan gebruiken om te “leren” tijdens de eerste training met meerdere ordes van grootte uitgebreid.
Met deze voorsprong wordt elke volgende training uitgevoerd met veel kleinere, meer gespecialiseerde gegevenssets. In feite is MUSK een kant-en-klaar hulpmiddel dat artsen kunnen afstemmen om specifieke klinische vragen te beantwoorden “De grootste onvervulde klinische behoefte is aan modellen die artsen kunnen gebruiken om de behandeling van patiënten te sturen. Heeft deze patiënt dit medicijn nodig? Of kunnen we ons beter richten op een ander type therapie? Op dit moment gebruiken artsen informatie zoals ziektestadia en specifieke genen of eiwitten om deze beslissingen te nemen, maar dat is niet altijd accuraat”, aldus Li.
Het succes van MUSK
De onderzoekers verzamelden microscopische dia's van weefselsecties, de bijbehorende pathologierapporten en follow-upgegevens (waaronder hoe het de patiënten verging) uit de nationale database The Cancer Genome Atlas voor mensen met 16 belangrijke soorten kanker, waaronder borstkanker, longkanker, colorectale kanker, pancreaskanker, nierkanker, blaaskanker en hoofd- en nekkanker. Ze gebruikten de informatie om MUSK te trainen om ziektespecifieke overleving te voorspellen, of het percentage mensen dat niet is overleden aan een specifieke ziekte gedurende een bepaalde periode.
Voor alle kankertypes voorspelde MUSK in 75 procent van de gevallen nauwkeurig de ziekte specifieke overleving van een patiënt. Standaardvoorspellingen op basis van het kankerstadium van een persoon en andere klinische risicofactoren waren daarentegen 64% van de tijd correct. In een ander voorbeeld trainden de onderzoekers MUSK om duizenden stukjes informatie te gebruiken om te voorspellen welke patiënten met longkanker of kanker van de maag en slokdarm het meest waarschijnlijk baat zouden hebben bij immuuntherapie.
“Op dit moment is de belangrijkste beslissing of een patiënt een bepaald type immuuntherapie krijgt, afhankelijk van de vraag of de tumor van die persoon een eiwit genaamd PD-L1 tot expressie brengt. Dat is een biomarker die uit slechts één eiwit bestaat. Echter, wanneer we AI kunnen gebruiken om honderden of duizenden bits van vele soorten gegevens te beoordelen, waaronder beeldvorming van het weefsel, evenals demografische gegevens van de patiënt, medische geschiedenis, eerdere behandelingen en laboratoriumtests uit klinische aantekeningen, kunnen we veel nauwkeuriger bepalen wie er baat bij zou kunnen hebben”, vertelt Li.
Voor niet-kleincellige longkanker identificeerde MUSK in ongeveer 77 procent van de gevallen patiënten die baat hadden bij een behandeling met immunotherapie. De standaardmethode om immunotherapierespons te voorspellen op basis van PD-L1 expressie was daarentegen slechts 61 procent van de tijd correct. Vergelijkbare resultaten werden verkregen toen de onderzoekers MUSK trainden om te identificeren welke mensen met melanoom de grootste kans hadden om binnen vijf jaar na hun eerste behandeling te hervallen. In dit geval was het model ongeveer 83 procent van de tijd correct, wat ongeveer 12 procent nauwkeuriger is dan de voorspellingen van andere foundationmodellen.
“Wat uniek is aan MUSK is de mogelijkheid om ongepaarde multimodale gegevens op te nemen in de pretraining, wat de schaal van gegevens aanzienlijk vergroot in vergelijking met gepaarde gegevens die vereist zijn voor andere modellen,” aldus Li.
