Search
Close this search box.
Search

Ziekteverloop kanker voorspellen met AI-modellen

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.

Ron Smeets

ICT&health World Conference 2024

Ervaar de toekomst van de gezondheidszorg tijdens de ICT&health World Conference van 14-16 mei 2024! Claim alvast jouw ticket en dompel je onder in baanbrekende technologieën en innovatieve oplossingen. Ga in gesprek met collega-experts en verken de kracht van wereldwijde samenwerkingen.

Deel dit artikel!

Lees ook
exergaming
Exergaming laat mensen meer en langer bewegen
app
Zuyderland kiest óók voor berichtenfunctie BeterDichtbij
Cardioloog Eelko Ronner van het Reinier de Graaf ziekenhuis heeft een robotecho ontworpen waarmee sneller en eenvoudiger een hartecho kan worden gemaakt. (Afbeelding: Corbotics)
Sneller hartecho maken met robot
cardioloog
Ieder hart heeft eigen elektrische vingerafdruk
Dragon Medical One MCL
Dragon Medical One bespaart MCL-artsen tot 45 minuten per dag 
preventie
Europese subsidies beschikbaar om preventie digitaal te ondersteunen
Onderzoeksdata Lowlands
Onderzoeksdata verzamelen tijdens Lowlands
Nierschade onderzoek
Zoektocht naar eerder vaststellen nierschade met AI
Longaandoeningen
Nieuwe perspectieven bij longaandoeningen
AI
AI in de diagnostiek van kinderen met een ontwikkelingsachterstand
Volg jij ons al?