Onderzoekers van het Mahmood Lab in het Brigham and Women's Hospital in Boston hebben een proof-of-concept-model gepresenteerd waarmee de diagnose en behandelresultaten van 14 verschillende vormen van kanker voorspeld kunnen worden. Het op AI-gebaseerde model maakt daarvoor gebruik van data uit verschillende bronnen. Data die tot nu toe vooral handmatig verzameld en geïnterpreteerd moet worden.
Oncologen zijn voor het diagnosticeren en voorspellen van het ziekteverloop en de effectiviteit van een behandeling afhankelijk van verschillende gegevensbronnen, zoals genomische sequencing, pathologie en patiëntgeschiedenis. Bestaande technologie maakt het mogelijk deze informatie te gebruiken om heet verwachte ziekteverloop te voorspellen. Echter, het handmatig integreren van gegevens uit verschillende bronnen is een uitdaging die ook bij ervaren experts vaak leidt tot het maken van subjectieve beoordelingen. Dat is waar de nu ontwikkelde AI-modellen in beeld komen.
"Deze vroege diagnoses en voorspellingen vormen de basis voor het nemen van beslissingen over deelname aan een klinische proef of specifieke behandelingsregimes. Met ons onderzoek streefden wij ernaar deze vraagstukken met behulp van AI en deep learning modellen te automatiseren", vertelt arts-onderzoeker Faisal Mahmood, lid van het kankerprogramma aan het Broad Institute of Harvard en MIT.
Prognostische AI-modellen
Het onderzoeksteam van Mahmood heeft AI-modellen ontwikkeld waarmee verschillende vormen van diagnostische informatie gebruikt worden om de voorspelling van het ziekteverloop nauwkeuriger te maken. De AI-modellen hebben het vermogen om prognostische bepalingen te doen, maar kunnen tevens de voorspellende basis vormen om het patiëntrisico te voorspellen - een eigenschap die kan worden gebruikt om nieuwe biomarkers te ontdekken.
De AI-modellen zijn gebouwd met behulp van The Cancer Genome Atlas (TCGA). Dit is een openbaar beschikbare database met gegevens over veel verschillende soorten kanker. Met deze brondata is vervolgens een multimodaal, op deep learning gebaseerd algoritme voor het herkennen van prognostische informatie uit meerdere gegevensbronnen. Met behulp van afzonderlijke modellen voor histologie en genomische gegevens, is de technologie doorontwikkeld tot één geïntegreerde entiteit die belangrijke prognostische informatie levert.
Om de werking van het AI-model te evalueren werden de datasets en genomische gegevens van veertien verschillende vormen van kanker gebruikt. De resultaten toonden aan dat de modellen nauwkeurigere voorspellingen van patiëntuitkomsten opleverden dan modellen die slechts enkele informatiebronnen bevatten.
Het onderzoek toont aan dat het mogelijk is om AI te gebruiken om verschillende soorten klinisch geïnformeerde gegevens te integreren om ziekteresultaten te voorspellen. Deze modellen kunnen, zo stellen de onderzoekers, mogelijk ook gebruikt worden voor het ontdekken van biomarkers die verschillende klinische factoren bevatten en zo beter te begrijpen welk type informatie nodig is om verschillende soorten kanker te diagnosticeren.
Klinische implementatie
Het proof-of-concept-model toont de meerwaarde aan voor het toepassen van AI-modellen in de kankerzorg. Het is echter past een eerste stap in de klinische implementatie van deze modellen. Voordat deze technologie klaar is om in de praktijk toegepast te worden, moet nog het nodige werk verzet worden. Zoals het opnemen van grotere datasets en het valideren op grote onafhankelijke testcohorten.
"Dit werk vormt de basis voor grotere AI-onderzoeken in de gezondheidszorg die gegevens uit meerdere bronnen combineren. In bredere zin benadrukken onze bevindingen de noodzaak om prognostische modellen voor computationele pathologie te bouwen met veel grotere datasets en downstream klinische onderzoeken om bruikbaarheid vast te stellen", aldus Mahmood.
