Tehisintellekti tööriistad ja süvaõppe mudelid on võimas vahend vähiravis. Neid saab kasutada kasvaja biopsia proovide digitaalsete kujutiste analüüsimiseks, aidates arstidel kiiresti klassifitseerida vähi tüüpi, ennustada prognoosi ja suunata patsiendi ravikuuri. Kui aga need algoritmid pole korralikult kalibreeritud, võivad need mõnikord teha ebatäpseid või kallutatud ennustusi.
Chicago ülikooli teadlaste juhitud uus uuring näitab, et süvaõppe mudelid, mis on koolitatud suure hulga vähi geneetiliste ja koehistoloogia andmete põhjal, suudavad hõlpsasti tuvastada pildid esitanud asutuse. Mudelid, mis kasutavad masinõppe meetodeid, et "õpetada" end teatud vähisignatuure ära tundma, kasutavad lõpptulemusena esitamise saiti otseteena patsiendi jaoks tulemuste ennustamiseks, pannes need kokku teiste samast kohast pärit patsientidega, selle asemel, et loota. üksikute patsientide bioloogia. See võib omakorda kaasa tuua eelarvamusi ja kasutamata ravivõimalusi rassiliste või etniliste vähemuste rühmadesse kuuluvate patsientide puhul, kes võivad olla suurema tõenäosusega esindatud teatud meditsiinikeskustes ja kellel on juba probleeme ravile juurdepääsuga.
"Tuvastasime praeguses süvaõppemudeli arendamise metoodikas silmatorkava augu, mis muudab teatud piirkonnad ja patsientide populatsioonid vastuvõtlikumaks ebatäpsete algoritmiliste prognooside kaasamiseks, " ütles Alexander Pearson, MD, PhD, assistent. UChicago Medicine'i meditsiiniprofessor ja kaasautor. Uuring avaldati 20. juulil ajakirjas Nature Communications.
Üks esimesi samme vähihaige ravimisel on biopsia ehk kasvaja väikese koeproovi võtmine. Väga õhuke kasvaja viil kinnitatakse objektiklaasile, mis värvitakse mitmevärviliste värvainetega, et patoloog saaks diagnoosi panna. Seejärel saab skaneeriva mikroskoobi abil luua digitaalseid pilte salvestamiseks ja kauganalüüsiks. Kuigi need sammud on patoloogialaborites enamasti standardsed, võivad väikesed variatsioonid plekkide värvis või koguses, koetöötlusmeetodites ja pildistamisseadmetes luua igale pildile ainulaadsed signatuurid, näiteks sildid. Need asukohapõhised signatuurid pole palja silmaga nähtavad, kuid võimsate süvaõppe algoritmide abil tuvastatakse need kergesti.
Need algoritmid võivad olla väärtuslikud vahendid, mis võimaldavad arstidel kasvajat kiiresti analüüsida ja ravivõimalusi suunata, kuid sellise eelarvamuse kasutuselevõtt tähendab, et mudelid ei põhine alati oma analüüsimisel bioloogilisel allkirjad, mida ta piltidel näeb, vaid pigem pildiartefaktid, mis on loodud esitavate saitide erinevustest.
Pearson ja tema kolleegid uurisid süvaõppe mudelite toimivust, mis olid väljaõpetatud vähigenoomi atlase andmete põhjal, mis on üks suurimaid vähi geneetiliste ja koepiltide andmete hoidlaid. Need mudelid võivad koe histoloogia põhjal ennustada ellujäämise määra, geeniekspressiooni mustreid, mutatsioone ja palju muud, kuid nende patsientide omaduste sagedus varieerub suuresti sõltuv alt sellest, millised asutused pildid esitasid, ja mudeli puhul on sageli vaikimisi "lihtsaim" viis eristamiseks. proovide vahel – antud juhul esitamise sait.
Näiteks kui A-haigla teenindab peamiselt jõukaid patsiente, kellel on rohkem ressursse ja parem juurdepääs ravile, näitavad sellest haiglast saadetud pildid üldiselt paremaid patsientide tulemusi ja ellujäämise määra. Kui haigla B teenindab ebasoodsamas olukorras olevat elanikkonda, kellel on raskusi juurdepääsuga kvaliteetsele ravile, ennustavad saidi esitatud pildid üldiselt halvemaid tulemusi.
Uurimisrühm avastas, et kui mudelid tuvastasid, milline asutus pildid esitas, kippusid nad seda kasutama pildi muude tunnuste, sealhulgas esivanemate jaoks. Teisisõnu, kui slaidi värvimis- või pildistamistehnikad näeksid välja nagu selle esitas haigla A, ennustaksid mudelid paremaid tulemusi, samas kui need ennustaksid halvemaid tulemusi, kui see näeks välja nagu pilt haiglast B. Vastupidi, kui kõik patsiendid haiglas B olid geneetikal põhinevad bioloogilised omadused, mis viitasid halvemale prognoosile, seostaks algoritm halvemad tulemused haigla B värvumismustritega, mitte aga asjadega, mida ta koes nägi.
"Algoritmid on loodud piltide eristamiseks signaali leidmiseks ja see teeb seda lais alt, tuvastades saidi, " ütles Pearson. "Me tahame tegelikult mõista, milline kasvaja sees olev bioloogia soodustab tõenäolisem alt vastupanuvõimet ravile või varajasele metastaatilisele haigusele, seega peame eraldama selle kohaspetsiifilise digitaalse histoloogilise allkirja tõelisest bioloogilisest signaalist."
Sellise eelarvamuse vältimise võti on mudelite koolitamiseks kasutatud andmete hoolikas kaalumine. Arendajad saavad tagada, et haiguse erinevad tulemused jaotuvad ühtlaselt kõikides koolitusandmetes kasutatud saitides või isoleerides teatud saidi koolituse või mudeli testimise ajal, kui tulemuste jaotus on ebavõrdne. Tulemuseks on täpsemad tööriistad, mis annavad arstidele vajalikku teavet vähihaigete kiireks diagnoosimiseks ja ravi kavandamiseks.
"Tehisintellekti lubadus on võime pakkuda täpset ja kiiret täppis tervist rohkematele inimestele," ütles Pearson. "Selleks, et rahuldada meie ühiskonna valimisõiguseta liikmete vajadusi, peame suutma välja töötada algoritme, mis on pädevad ja teevad kõigile asjakohaseid ennustusi."
