Nueva esperanza para una intervención temprana en el cáncer de páncreas mediante la predicción de riesgos basada en IA | MIT News

Los primeros casos registrados de cáncer de páncreas ocurrieron en el siglo XVIII. Desde entonces, Los investigadores se han embarcado en un viaje prolongado y desafiante para comprender esta enfermedad esquiva y mortal. hasta ahora No hay mejor tratamiento contra el cáncer que la intervención temprana. Desafortunadamente, el páncreas, que se encuentra en lo profundo de la cavidad abdominal, es difícil de detectar a tiempo.

Los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, junto con Limor Appelbaum, científico del Departamento de Oncología Radioterápica del Centro Médico Beth Israel Deaconess (BIDMC), están ansiosos por identificar a los pacientes con alto riesgo. Su objetivo es desarrollar dos modelos de aprendizaje automático para la detección del adenocarcinoma ductal de páncreas (PDAC), la forma más común de cáncer. para acceder a una base de datos extensa y diversa El equipo se coordina con empresas de la red centralizada. utilizando datos de registros médicos electrónicos de varias instituciones En todo Estados Unidos Este vasto conjunto de datos garantiza la confiabilidad y generalización del modelo. Hacerlo utilizable para la población. Ubicación geográfica y diversos grupos poblacionales

Ambos modelos – Red neuronal artificial «PRISM» y modelo de regresión logística. (Técnicas estadísticas de probabilidad) superan a los métodos actuales. Las comparaciones del equipo mostraron que, aunque los criterios de detección estándar identifican aproximadamente al 10 por ciento de los pacientes con PDAC utilizando un umbral de riesgo relativo cinco veces mayor, Prism pudo detectar el 35 por ciento de los pacientes con PDAC en el mismo umbral.

El uso de IA para detectar el riesgo de cáncer no es un fenómeno nuevo. — Algoritmo de análisis de mamografías, tomografías computarizadas para cáncer de pulmón. y ayudar en el análisis de pruebas de Papanicolaou y pruebas de VPH, entre otros.»El modelo PRISM es único porque fue desarrollado y validado en una extensa base de datos de más de 5 millones de pacientes, lo que supera la escala de la mayoría de las investigaciones anteriores en este «, dijo Kai Jia, estudiante de doctorado del MIT en Ingeniería Eléctrica y Ciencias de la Computación (EECS), una filial de MIT CSAIL, y primer autor del artículo de acceso abierto en E-Biomedicina El nuevo trabajo concluye: “El modelo utiliza habitualmente datos clínicos y de laboratorio para hacer predicciones. y la diversidad de la población de EE. UU. es un avance significativo sobre otros modelos PDAC, que generalmente se limitan a regiones geográficas específicas, como ciertos centros de atención médica en los EE. UU. Además, el uso de técnicas de regularización que la singularidad en el proceso de capacitación mejora la generalización. e interpretabilidad del modelo”.

“Este informe describe enfoques eficaces para el uso de algoritmos de inteligencia artificial y big data. «Para refinar nuestro enfoque de perfiles de riesgo de cáncer», dijo David Avigan, profesor de la Facultad de Medicina de Harvard y director del centro oncológico y jefe de la División de Hematología y Oncología Hematológica del BIDMC, que no participó en el estudio de investigación. “Este enfoque puede conducir a nuevas estrategias. Identificar a los pacientes con alto riesgo de cáncer que puedan beneficiarse de una detección selectiva tiene el potencial de una intervención temprana”.

vista prisma

El camino hacia el desarrollo de PRISM comenzó hace seis años. Está impulsado por la experiencia directa con las limitaciones de las prácticas de diagnóstico actuales. “Alrededor del 80-85 por ciento de los pacientes con cáncer de páncreas se diagnostican en una etapa avanzada. donde el tratamiento ya no es una opción”, dijo el autor principal Appelbaum, instructor de la Facultad de Medicina de Harvard y oncólogo radioterapeuta. «Esta alteración clínica generó la idea de profundizar en los datos contenidos en los registros médicos electrónicos (EHR)».

La estrecha colaboración del grupo CSAIL con Appelbaum ha hecho posible comprender mejor los aspectos médicos y de aprendizaje automático combinados del problema. Esto, a su vez, conduce a modelos más precisos y transparentes. “La suposición es Estos registros contienen pistas ocultas. Estos son signos y síntomas sutiles que pueden actuar como señales de alerta temprana de cáncer de páncreas”, añade. “Esto nos guió a utilizar una red EHR centralizada para desarrollar estos modelos. para un enfoque escalable para implementar herramientas de predicción de riesgos en la atención médica”.

Tanto el modelo PrismNN como el PrismLR analizan datos de EHR, incluidos datos demográficos de pacientes, diagnósticos, medicamentos y resultados de laboratorio. Para evaluar el riesgo de PDAC, PrismNN utiliza redes neuronales para detectar patrones complejos en características de datos, como la edad y el historial médico. y resultados de pruebas de laboratorio Esto produce una puntuación de riesgo para la probabilidad de PDAC. PrismLR utiliza la regresión logística para facilitar el análisis. Crea una puntuación de probabilidad PDAC basada en estas características. Estos dos modelos ofrecen una evaluación de diferentes enfoques. Análisis detallado de la predicción de riesgo de PDAC a partir de los mismos datos de EHR

Uno de los puntos más importantes para ganarse la confianza de su médico. Lo que el equipo observa es una mejor comprensión de cómo funciona el modelo. Esto se conoce en el campo como interpretabilidad. Los científicos señalan que si bien los modelos de regresión logística son más fáciles de interpretar, Pero los avances recientes han hecho que las redes neuronales profundas sean algo más transparentes. Esto permitió al equipo refinar las características predictivas que podrían derivarse del EHR de un solo paciente en aproximadamente 85 indicadores clave. Esto incluye la edad del paciente. Diagnóstico de diabetes y mayor frecuencia de visitas al médico será descubierto automáticamente por el modelo. Pero coincide con la comprensión de los médicos sobre los factores de riesgo relacionados con el cáncer de páncreas.

El camino por delante

Aunque el modelo PRISM cumple su promesa, Pero como toda investigación Pero algunas partes todavía están en progreso. información de estados unidos Esto por sí solo constituye el enfoque actual hacia tales modelos. Esto debe probarse y adaptarse para su uso global. El camino por delante El equipo notó Esto incluye ampliar la aplicación del modelo a conjuntos de datos internacionales. e integrar biomarcadores adicionales para una evaluación de riesgos más detallada.

“El próximo objetivo para nosotros es facilitar el uso del modelo en entornos de atención médica de rutina. La visión es que estos modelos funcionen sin problemas en el fondo del sistema de salud. Analizar automáticamente los datos del paciente «Y alertar a los médicos sobre casos de alto riesgo sin aumentar su carga de trabajo», dijo Jia. «Los modelos de aprendizaje automático integrados con los sistemas EHR pueden ayudar a los médicos a proporcionar alerta temprana para pacientes con alto riesgo». Esto puede permitir tomar medidas antes de que aparezcan los síntomas. Estamos ansiosos por aplicar nuestras técnicas en el mundo real para ayudar a todos a vivir una vida más larga y saludable”.

Jia coescribió el artículo con el profesor Applebaum y el investigador principal del MIT EECS y CSAIL, Martin Rinard, autor principal del artículo. Los investigadores de este artículo contaron con el apoyo en parte del MIT CSAIL, en parte de la Agencia de Proyectos de Investigación Avanzada de Defensa, Boeing, la Fundación Nacional de Ciencias y Aarno Labs TriNetX proporcionaron recursos para el proyecto. Y la Fundación para la Prevención del Cáncer también apoya al equipo.