Интеграция мультимодальных данных как искусственный интеллект революционизирует лечение рака

Интеграция мультимодальных данных искусственный интеллект революционизирует лечение рака

Внутренний анализ особенностей модели гистологического изображения. Авторы многоуровневой интеграции данных в онкологии – Липкова и др.

Недавно я прочитал эту статью (ссылка) о многоуровневой интеграции данных в онкологии с использованием искусственного интеллекта (ИИ). Мне понравились затронутые темы, поскольку они открывают новые возможности для точного прогнозирования результатов лечения пациентов, а также находки соответствующих биомаркеров и биологических путей. Очень интересно. Давайте углубимся в это.

<img alt="Некоторая требуемая информация и потенциальные применения многоуровневой интеграции данных. Изображение от авторов Липкова и др., авторы работы по многоуровневой интеграции данных в онкологии.</figcaption></figure><p><strong>Многоуровневые данные</strong> – это различные источники информации (данные). Рак может быть характеризован множеством модалитетов, таких как радиология (изображения), геномика (гены, ДНК) и гистология (образцы тканей). Современный ИИ в основном работает с отдельными модалитетами, игнорируя более широкий клинический контекст и возможности, что в конечном итоге снижает их эффективность и потенциал. Многоуровневая интеграция данных позволяет моделям обнаруживать новые закономерности внутри и между модалитетами, что приводит к исследованию и открытию новых биомаркеров, более точному прогнозированию результатов лечения или исходов пациентов и в целом улучшению персонализированной медицинской помощи.</p><p><strong>Многоуровневая интеграция данных</strong> – это объединение нескольких источников данных. Существуют три основных типа интеграции данных: ранняя интеграция, промежуточная интеграция и поздняя интеграция. В сущности, каждый термин относится к этапу фреймворка глубокого обучения, на котором происходит объединение многоуровневых данных.</p><figure><img alt=" figcaption="" авторов="" авторы="" в="" данных="" др.,="" и="" изображение="" интеграции="" интеграции.="" липкова="" методы="" многоуровневой="" онкологии.

Прогнозирование выживания, или прогнозирование, как долго проживет пациент, часто выполняется с помощью модели пропорциональных рисков Кокса (Cox-PH). Для своих прогнозов эта модель многомерной линейной регрессии требует входных данных/характеристик. Однако в наше время перед нами столько медицинской информации! Мы теперь используем искусственный интеллект (методы обучения с учителем, слабо обученные и необученные методы), чтобы извлекать характеристики из данных и использовать их в качестве входных данных для моделей Кокса. Многоуровневая интеграция данных в ИИ показала, что дает более точные прогнозы выживания.

Толкование/внутренний анализ модели является ключевым моментом в разработке, внедрении и проверке ИИ. Несмотря на то, что модели ИИ обладают способностью изучать абстрактные характеристики, есть опасения, что модели будут использовать неэффективные, ошибочные ярлыки, вместо изучения клинически значимых аспектов. Чтобы узнать больше, ученые разработали методы для того, чтобы видеть, как модель мыслит и почему она делает определенные прогнозы.

Методы толкования неоднородны в зависимости от типа данных. В случае гистологических изображений часто используются тепловые карты; в радиологии часто используются весовые коэффициенты внимания; с молекулярными данными часто используются методы интегрированного градиента (вычисление вкладов, определяющих, как изменения в определенных входных данных влияют на выводы). При принятии более всестороннего подхода могут использоваться диаграммы вклада, чтобы определить вклад каждого модалитета в общий прогноз модели. Методы толкования обычно являются методами активации класса (CAM), позволяющими определить важность входных данных модели (например, пикселей), вычисляя, как изменения во входных данных влияют на выводы модели для каждого класса прогнозирования.

Многоуровневая интерпретация и внутренний анализ. Изображение от авторов Липкова и др., авторы работы по многоуровневой интеграции данных в онкологии.</figcaption></figure><p><strong>Преимущества мультимодальной связи данных.</strong> Злокачественные изменения часто можно наблюдать на разных уровнях; например, генетическая мутация может влиять на поведение клеток, что, в свою очередь, формирует морфологию ткани или микроокружение опухоли, видимое на гистологических изображениях.</p><ul><li>Морфологические ассоциации могут служить в качестве экономически эффективных замен биомаркеров для поддержки скрининга в странах с низким и средним уровнем дохода.</li><li>Ассоциации могут раскрывать новые терапевтические цели.</li><li>Выявленные связи между неинвазивными (например, радиологическими) и инвазивными (например, гистологическими) методами позволят прогнозировать результаты с неинвазивных процедур.</li><li>Ассоциации между получаемыми данными (например, электронными медицинскими записями) до проведения более глубоких процедур позволят быстрее и легче выявлять потенциальные предиктивные факторы риска.</li></ul><figure><img alt=

Выводы. Если говорить о будущем, для развития искусственного интеллекта с мультимодальной интеграцией данных в онкологии существует множество преград, таких как проблема справедливости и предвзятости данных, ограниченная интерпретируемость и так далее. С другой стороны, искусственный интеллект имеет потенциал значительно преобразить и улучшить онкологию. Многие направления искусственного интеллекта обладают потенциалом для значительного влияния, включая прогнозирование результатов пациентов (таких как прогноз, выживаемость и рецидив), эффективную диагностику, возможности оптимального лечения, а также открытие и изучение новых биомаркеров и биологических путей. В целом, этот область крайне захватывающая, и я не могу дождаться, чтобы поделиться большим количеством информации. И хорошие новости для любителей машинного обучения, вроде меня! Вы можете использовать различные модели мультимодальной интеграции данных через репозитории GitHub, такие как этот с Гарвардской медицинской школы.

Возможно, в будущем искусственный интеллект сможет автономно управлять всем процессом здравоохранения…

Внизу я перечислил некоторые другие ресурсы, которые могут быть интересными.