Můžeme již důvěřovat umělé inteligenci, že diagnostikuje rakovinu?

Jaké bude zítra místo pro umělou inteligenci (AI) v medicíně? Mohl by už diagnostické problémy vyřešit doktor House, ale jeho digitální alter ego? Umělá inteligence ve skutečnosti již předčí oko v detekci určitých nádorů z radiologických snímků (mamografie, MRI)… Což vedlo některé k tvrzení, že počítače brzy nahradí lidské odborníky.

Ale na rozdíl od těchto předpovědí, radiolog nezmizel : naopak mezi ním a strojem, který měl nastoupit na jeho místo, došlo k nečekané „spolupráci“. První pracuje na nasměrování kapacit a silných stránek druhého s cílem zlepšit interpretaci a diagnostiku ve prospěch pacientů.

Tato otázka pomoci ke správné diagnóze je ústřední a stojí za to se do ní zapojit psychiatrie, kde AI také dělá své první kroky než v onkologii... V patologické anatomii také "vyšetření orgánů, tkání nebo buněk k identifikaci a analýze abnormalit souvisejících s nemocí (rakovina atd.)", vyhlídky a sliby jsou obrovské.

Je již umělá inteligence schopna takové analýzy? Mohlo by se ukázat, že je efektivnější než lidský expert?

Je mnoho nedorozumění a zmatků a je důležité pochopit proč. Právě tento bod vám zde navrhujeme.

Co umožnilo první kroky „digitální patologie“

Pro AI, stejně jako pro každého odborníka na lidské zdraví, je diagnóza založena mimo jiné na tak jednoduchém, jak zásadním předmětu: na skleněných sklíčkách, na které patolog umístí velmi tenký „plátek“ tkáně, která má být analyzována ( plíce, játra atd.), abyste to mohli pozorovat pod mikroskopem.

Pomocí této mikroskopické analýzy může patolog identifikovat různé typy buněk, porovnat jejich tvary nebo dokonce jejich prostorovou organizaci (architekturu) a identifikovat abnormální shluky – například nádory.

Hromadná digitalizace těchto diapozitivů otevřela cestu pro použití AI v patologické anatomii. Nástup přizpůsobených skenerů umožňuje v rostoucím počtu nemocnic pořizování a ukládání mikroskopických preparátů v digitální podobě. Původní diapozitivy jsou však zachovány... což nemusí být nutně možné pro všechny jejich digitalizované verze kvůli nákladům na skladování.

Tento postup, který připravuje cestu pro „digitální patologii“, umožnil pracovat na algoritmech určených k provádění jejich analýzy automatizovaným způsobem. S cílem, aby umělá inteligence mohla pomoci patologovi v jeho diagnóze. Je to také užitečné z ergonomických důvodů a pro úsporu času.

Skleněná sklíčka se tradičně pozorují pod mikroskopem. Nyní je lze digitalizovat pro studium na obrazovce počítače. To také umožňuje jejich přenos do umělých neuronových sítí.
DR, Dodává autor

Ale stejně jako člověk, i stroj (nejčastěji umělé neuronové sítě) musí být trénován. Nejprve se musí být schopna „podívat“ na čepele a pochopit, o co jde. Tato analýza využívá technologii rozpoznávání vzorů jako základní techniku.

Za druhé, musí být schopen interpretovat to, co „vidí“. Umělá inteligence je založena na pojetí učení a schopnosti usuzovat, tj. přenášet znalosti získané při jejím utváření a tréninku do jiných situací, srovnatelných, ale ne podobných: například rozpoznat mikrometastázu lymfatických uzlin rakoviny prsu (shluk několika nádorů buňky, které mohou zůstat nepovšimnuty) tím, že jste předtím viděli jiné obrazy metastáz.

Je třeba poznamenat, že digitalizované diapozitivy obsahují mnohem více pixelů než radiologické snímky a obsahují tisíce buněk – jsou proto obzvláště bohaté na informace, které by algoritmy mohly využít.

[Téměř 80 000 čtenářů důvěřuje zpravodaji The Conversation, aby lépe porozuměl hlavním světovým problémům. Přihlaste se ještě dnes]

Rychlý a spolehlivý digitální asistent…

Současný výzkum a testy ukazují, že umělá inteligence by mohla být nakonec relevantní v několika oblastech:

• automatizace nejvíce se opakujících a subjektivních činností,
• pomáhá při detekci nádorů, hodnocení agresivity a subtypování,
• počítání nádorových buněk, zejména buněk v dělení (mitózy),
• hodnocení intenzity imunitní odpovědi (počet lymfocytů napadajících nádor).

Zájmy jsou rozmanité: vrátit čas lidskému patologovi, aby se mohl věnovat nejsložitějším úkolům, kde je lidská přidaná hodnota skutečná, aby byla konečná diagnóza rychlejší a spolehlivější. A co je ve vědě důležité, výsledky analýz umělé inteligence jsou obecně reprodukovatelné.

Již nyní můžeme identifikovat konkrétní případy, kdy je přínos AI relevantní:

• Detekce rakoviny prsu: algoritmy jsou při odhalování účinnější než patolog detekce mikrometastáz v lymfatických uzlinách axilární prohlubně.
• Hodnocení prognózy rakoviny prsu: umělé neuronové sítě účinně identifikují buněčné značky vytvořené pomocí specifických protilátek (imunohistochemická technika). U karcinomu prsu kvantifikace exprese proteinu HER2 v nádorových buňkách umožňuje posoudit prognózu onemocnění a odpověď na určité léky – tento protein stimuluje progresi rakoviny. Diagnostika pomocí počítače by tedy byla zcela relevantní.
• Agresivita rakoviny prostaty: je hodnocena pomocí Gleasonovo skóre, který je stanoven mikroskopickým rozborem biopsií prostaty. Stanovení Gleasonova skóre vyžaduje analýzu mnoha snímků a opět zabere čas. Studie ukázaly a dobrá shoda mezi hodnocením provedeným patologem a hodnocením umělé neuronové sítě.

...i opravdový kolega

Kromě pomoci s opakujícími se úkoly, kde lidská odbornost přispívá jen málo, má AI specifické výhody, pokud jde o množství informací, které dokáže zpracovat. Dokáže tak extrahovat další data relevantní pro péči o pacienty, která jsou jistě běžně dostupná, ale často „skrytá“, protože jsou lidským okem nezjistitelná.

AI je účinná při počítání nádorových buněk, zejména při dělení (jako zde). Mohl by také spojovat mikroskopické aspekty a specifické genetické mutace rakoviny.
Al-Janabi S a kol., CC BY

Nejznámějšími příklady jsou identifikace genetických nebo genomových abnormalit u rakoviny a další hodnocení prognózy a odpovědi na léčbu.

Diagnóza rakoviny je obvykle stanovena na základě analýzy nádoru (po jeho biopsii nebo excizi), umístěného na podložní sklíčko pro studium pod mikroskopem, jak jsme uvedli výše. Tato již informačně bohatá první vyšetření mohou být doplněna genetickými rozbory: identifikací konkrétních mutací nádoru umožňují jeho lepší charakterizaci. Specialisté tak mohou lépe nastavit adekvátní léčbu. Tyto dodatečné analýzy však „spotřebovávají“ nádorovou tkáň a vyžadují čas.

Pouhé pozorování digitalizovaných diapozitivů by mohlo umožnit algoritmům detekovat relevantní mutace, aniž by se uchylovalo ke genetické analýze. To šetří čas, peníze a nádorový materiál („úspora tkáně“) – ten lze ušetřit pro další analýzy.

Detekce mutací je možná korelací tvaru nebo architektury nádoru (viděné pod mikroskopem) s přítomností mutací dříve identifikovaných sekvenováním DNA (čtením). Algoritmus se musí naučit spojovat mikroskopické aspekty a mutace.

Stejné učení by mohlo být implementováno do propojení mikroskopické aspekty a léková odpověď nebo prognóza.

Limity jsou stále silné

I když umělá inteligence ve střednědobém horizontu jistě zlepší diagnostiku rakoviny a péči o pacienty, vývoj adekvátních algoritmů je dlouhý a nákladný.

Mnoho příkladů obrázků (ideálně několik tisíc), normálních i patologických, je skutečně nezbytných pro vytvoření různých sad, na kterých se bude trénovat. To vyžaduje velké databáze, kde každý příklad byl anotován patologem – a tyto sbírky obrázků vyžadují velké úložné kapacity a jejich digitalizace-anotace představuje značný rozpočet.

Výkon AI závisí na kvalitě dat poskytovaných během jejího školení, díky čemuž není bez zkreslení. Může dokonce zesílit předsudky přítomné v tréninkových sadách. A stejně jako dobře trénované lidské oko může dělat chyby.

A konečně, budoucí implementace těchto digitálních modelů vedle lékařů do „skutečné“ péče o pacienty bude vyžadovat definici standardů a právního rámce, jako tomu bylo v případě genetických analýz po nástupu vysoce výkonného sekvenování.

Ve skutečnosti bude tento vývoj vyžadovat sdílení určitých lékařských údajů, což naráží na etiku a lékařské tajemství. Jejich sdílení mezi centry je nezbytné pro vytvoření rozsáhlých databází, samy o sobě nezbytných pro vývoj spolehlivých algoritmů. A pokud jsou data vždy anonymizována, jejich možný přenos Cloudem představuje problémy s důvěrností (riziko hackingu).

Kromě toho, aby bylo možné v reálném čase vyhodnotit prognózu onemocnění a odpověď na léčbu, měly by být algoritmy schopny pracovat přímo z elektronického lékařského záznamu. Toho lze dosáhnout pouze respektováním doporučení Evropské lékové agentury, která ještě nebyla vytvořena.

Budoucí prospekty

Přes tyto překážky přechod začal. Cílem je nakonec AI integruje multimodální data, ze čtyř vrstev moderní onkologie: mikroskopie, radiologie, genetika a klinická praxe. Tato integrace povede k efektivnějším modelům, zejména pro hodnocení prognózy. Do pěti let by umělá inteligence mohla opustit pole výzkumu a být využívána v běžné péči.

Nástup digitální patologie slibuje každopádně velký zlom ve prospěch pacientů.

Audrey Rousseau, profesor patologické anatomie - lékař-učitel-výzkumník ve Fakultní nemocnici v Angers, University of Angers et Leslie Tessier, doktorand, stážista v patologické anatomii a cytologii, RadboudUMC, Nijmegen, University of Angers

Tento článek je publikován z Konverzace pod licencí Creative Commons. Čístpůvodní článek.