Intel·ligència Artificial: creen una plataforma que 'prediu' el càncer

Els científics de la Facultat de Medicina de Harvard (Estats Units) han dissenyat un model d'IA versàtil, semblant a ChatGPT , capaç de realitzar una varietat de tasques de diagnòstic en múltiples formes de càncer.

El nou sistema d'IA , descrit a 'Nature', va un pas més enllà de molts dels enfocaments actuals d'IA per al diagnòstic del càncer, van dir els investigadors. Els sistemes d'IA actuals solen estar entrenats per fer tasques específiques (com detectar la presència de càncer o predir el perfil genètic d'un tumor) i tendeixen a funcionar només en uns quants tipus de càncer.

En canvi, el nou model pot fer una àmplia gamma de tasques i es va provar en 19 tipus de càncer, cosa que li atorga una flexibilitat similar a la dels grans models de llenguatge com ChatGPT. Tot i que recentment han sorgit altres models bàsics d'IA per al diagnòstic mèdic basats en imatges patològiques, es creu que aquest és el primer a predir els resultats dels pacients i validar-los en diversos grups de pacients internacionals.

"La nostra ambició era crear una plataforma d'intel·ligència artificial àgil i versàtil similar a ChatGPT que pogués realitzar una àmplia gamma de tasques d'avaluació del càncer", apunta l'autor principal de l'estudi Kun-Hsing Yu, professor adjunt d'informàtica biomèdica a l'Institut Blavatnik de la Facultat de Medicina de Harvard.

"El nostre model ha estat molt útil en múltiples tasques relacionades amb la detecció, el pronòstic i la resposta al tractament del càncer en múltiples tipus de càncer". El model d'IA, que funciona llegint diapositives digitals de teixits tumorals, detecta cèl·lules canceroses i prediu el perfil molecular d'un tumor basant-se en les característiques cel·lulars observades a la imatge amb una precisió superior a la de la majoria dels sistemes d'IA actuals.

Pot pronosticar la supervivència del pacient en múltiples tipus de càncer i assenyalar amb precisió les característiques del teixit que envolta un tumor (també conegut com a microambient tumoral) que estan relacionades amb la resposta d'un pacient als tractaments estàndard, inclosa la cirurgia, la quimioteràpia , la radiació i la immunoteràpia.

Finalment, va dir l'equip, l'eina sembla capaç de generar coneixements nous: va identificar característiques tumorals específiques que abans no se sabia que estiguessin vinculades a la supervivència del pacient. Les troballes, va dir l'equip de recerca, se sumen a la creixent evidència que els enfocaments impulsats per IA poden millorar la capacitat dels metges per avaluar els càncers de manera eficient i precisa, inclosa la identificació de pacients que podrien no respondre bé les teràpies estàndard contra el càncer.

"Si es valida més i s'implementa àmpliament, el nostre enfocament, i enfocaments similars al nostre, podrien identificar de manera primerenca els pacients amb càncer que es poden beneficiar de tractaments experimentals dirigits a certes variacions moleculars, una capacitat que no està disponible de manera uniforme a tot el món", va dir Yu.

L'últim treball de l'equip es basa en la investigació prèvia de Yu sobre sistemes d'IA per a l'avaluació del càncer de còlon i els tumors cerebrals. Aquests estudis anteriors van demostrar la viabilitat de lenfocament en tipus de càncer específics i tasques específiques. El nou model, anomenat CHIEF (Clinical Histopathology Imaging Evaluation Foundation), es va entrenar amb 15 milions d'imatges sense etiquetar dividides en seccions d'interès.

Després, l'eina es va entrenar encara més amb 60.000 imatges de portaobjectes complets de teixits, inclosos pulmó, mama, pròstata, còlon i recte, estómac, esòfag, ronyó, cervell, fetge, tiroide, pàncrees, coll uterí, úter, ovari, , pell, teixit tou, glàndula suprarenal i bufeta. En entrenar el model perquè observés tant seccions específiques d'una imatge com la imatge completa, li va permetre relacionar canvis específics en una regió amb el context general.

Aquest enfocament, van dir els investigadors, va permetre a CHIEF interpretar una imatge de manera més holística en considerar un context més ampli, en lloc de centrar-se només en una regió en particular. Després de la capacitació, l'equip va provar el rendiment de CHIEF a més de 19.400 imatges de diapositives completes de 32 conjunts de dades independents recopilats de 24 hospitals i cohorts de pacients a tot el món.

En general, CHIEF va superar altres mètodes d'intel·ligència artificial d'última generació fins a un 36 per cent en les tasques següents: detecció de cèl·lules canceroses, identificació de l'origen del tumor, predicció dels resultats del pacient i identificació de la presència de gens i patrons d'ADN relacionats amb la resposta al tractament.

A causa del seu entrenament versàtil, CHIEF va funcionar igualment bé sense importar com es van obtenir les cèl·lules tumorals, ja sigui mitjançant biòpsia o mitjançant escissió quirúrgica. I va ser igual de precís, independentment de la tècnica utilitzada per digitalitzar les mostres de cèl·lules canceroses. Aquesta adaptabilitat, van dir els investigadors, fa que CHIEF es pugui utilitzar en diferents entorns clínics i representa un pas important més enllà dels models actuals que tendeixen a funcionar només quan llegeixen teixits obtinguts a través de tècniques específiques.

Així mateix, CHIEF va aconseguir una precisió de gairebé el 94% en la detecció del càncer i va superar significativament els enfocaments de l'IA actuals en 15 conjunts de dades que contenien 11 tipus de càncer. En cinc conjunts de dades de biòpsia recopilades de cohorts independents, CHIEF va aconseguir una precisió del 96% en múltiples tipus de càncer, inclosos el d'esòfag, estómac, còlon i pròstata. Quan els investigadors van provar CHIEF en portaobjectes mai abans vists de tumors extirpats quirúrgicament de còlon, pulmó, mama, endometri i coll uterí, el model va funcionar amb una precisió de més del 90%.

Segons els investigadors, la identificació ràpida de patrons cel·lulars en una imatge que suggereixin aberracions genòmiques específiques podria oferir una alternativa ràpida i rendible a la seqüenciació genòmica. Els investigadors afegeixen que planegen perfeccionar el rendiment de CHIEF i augmentar les seves capacitats mitjançant la realització de formació addicional sobre imatges de teixits de malalties rares i afeccions no canceroses, incloent mostres de teixits premalignes abans que les cèl·lules es tornin completament canceroses.

També planegen exposar el model a més dades moleculars per millorar la seva capacitat d'identificar càncers amb diferents nivells d'agressivitat i entrenar el model per predir també els beneficis i els efectes adversos de nous tractaments contra el càncer, a més dels tractaments estàndard.