Штучний інтелект для покращення стратифікації ризику плоскоклітинного раку

Нещодавні дослідження показують, що системи прогнозування на основі штучного інтелекту (ШІ) можуть значно покращити стратифікацію ризику для пацієнтів з плоскоклітинним раком шкіри. Зокрема, нова прогностична система, розроблена з використанням розширеної генерації пошуку (RAG), демонструє перевершені прогностичні можливості, особливо щодо несприятливих результатів, у порівнянні з існуючими системами. Ця модель ілюструє, як цільове застосування великих мовних моделей (LLM) може сприяти розробці та вдосконаленню майбутніх прогностичних інструментів.

Обмежені клінічні рекомендації та виклик для стратифікації ризику

На сьогоднішній день до 30% несприятливих результатів при плоскоклітинному раку, таких як рецидиви, метастазування та летальні випадки, спостерігаються у пухлин, які класифікуються як низькостадійні за поточними системами стадіювання. Це створює значні труднощі для клініцистів, оскільки існуючі рекомендації щодо стратифікації ризику залишаються обмеженими.

Для подолання цього розриву між клінічною практикою та поточними можливостями, дослідники провели ретельний пошук у медичних базах даних, включаючи PubMed, Embase та Кокрейнівську бібліотеку. Було відібрано 10 наукових праць для формування бази знань RAG, яка стала основою для створення моделі. Замість того, щоб покладатися виключно на загальні навчальні дані, використання RAG дозволило закріпити модель ШІ на авторитетних, предметно-специфічних знаннях. Цей підхід дозволяє використовувати колективні висновки з високоякісної літератури з плоскоклітинного раку, що відображає десятиліття клінічних досліджень, забезпечуючи, що система ґрунтується на перевірених медичних доказах.

Перегляньте записи:

Система AIRIS: новаторський підхід до оцінки ризику

Детальне налаштування генеративного попередньо навченого трансформатора (GTP-4) призвело до створення прогностичної системи під назвою AIRIS (AI-Derived Risk Score). Ця система присвоює бали від 0 до 3 таким факторам, як діаметр пухлини, глибина інвазії та наявність імуносупресії. Загальний бал більше 1 вказує на пухлини високого ризику.

Після валідації на значній когорті з 2379 первинних пухлин, система AIRIS продемонструвала кращу продуктивність порівняно з існуючими системами стадіювання за всіма ключовими показниками. Зокрема, AIRIS показав значно покращену чутливість для виявлення несприятливих результатів: 49% для місцевого рецидиву, 74% для метастазів у лімфатичні вузли та 83% для віддалених метастазів. Для порівняння, існуючі системи демонстрували значно нижчі показники чутливості.

Покращена чутливість AIRIS означає, що клініцисти можуть краще виявляти пацієнтів з високим ризиком, які потребують посиленого спостереження або ад'ювантної терапії, при цьому уникаючи надмірного лікування випадків низького ризику. Хоча прогнозування AIRIS показало найвищу чутливість для кожного результату, воно мало дещо нижчу специфічність (85%-87%). Проте, такий компроміс вважається клінічно корисним, оскільки значне збільшення чутливості (майже на 20%-35%) переважує незначну втрату специфічності (приблизно 7%).

Виклики та перспективи клінічного застосування

Система AIRIS також відрізняється від сучасних систем стадіювання тим, що вона призначає різні бальні значення різним факторам ризику. Однак формулювання деяких факторів ризику, наприклад, використання міліметрів для вимірювання глибини інвазії, може створювати певні труднощі для клінічного застосування порівняно з існуючими методами фіксації глибини інвазії на рівні тканин.

Вимірювання на міліметровому рівні можуть забезпечити гранулярність, необхідну для молекулярних кореляцій та персоналізованих рішень щодо терапії, оскільки багато молекулярних реакцій знаходяться на передньому краї пухлини. Це сприятиме глибшому розумінню біології пухлини та розробці більш цілеспрямованих стратегій лікування.

ШІ в клінічній практиці: прозорість та майбутні напрямки

Важливою перевагою підходу, використаного для створення AIRIS, є його прозорість. На відміну від деяких інших моделей LLM, які можуть давати прогнози без чіткого пояснення розрахунків, AIRIS була розроблена таким чином, щоб бути зрозумілою для користувачів. Лікарі можуть використовувати таблицю з наукової статті для підрахунку балів, і хоча вони можуть не знати точних внутрішніх механізмів, які привели до створення цієї таблиці, вони обізнані про наукові роботи, що лягли в її основу.

Незважаючи на перспективні результати, ще зарано прогнозувати, як AIRIS вплине на клінічну практику. Хоча автори успішно перевірили модель на даних, які не використовувалися для її створення або навчання, золотим стандартом для будь-якої прогностичної моделі є проспективні дослідження з урахуванням її цільового використання. Необхідно дослідити, які рішення приймають клініцисти, зіткнувшись із цією системою оцінювання, і як це впливає на результати лікування пацієнтів.

Майбутнє дослідження

У майбутньому дослідники сподіваються розширити валідаційні дослідження AIRIS та протестувати її на більших наборах даних. Це дозволить підтвердити її ефективність у ширшій клінічній популяції та визначити її оптимальне місце у рутинній клінічній практиці. Це захоплюючий і необхідний крок до впровадження ШІ в клінічну практику для покращення стратифікації ризику плоскоклітинного раку.

ДЖЕРЕЛО: Medscape

На платформі Accemedin багато цікавих заходів! Аби не пропустити їх, підписуйтесь на наші сторінки! Facebook. Telegram. Viber. Instagram.