Forscher von Stanford Medicine haben ein KI-Modell entwickelt, das visuelle und sprachbasierte Informationen integrieren kann. Nach dem Training mit 50 Millionen medizinischen Bildern von Standard-Pathologie-Objektträgern und mehr als einer Milliarde pathologiebezogener Texte übertraf das Modell Standardmethoden in seiner Fähigkeit, die Prognosen von Tausenden von Menschen mit unterschiedlichen Krebsarten vorherzusagen, zu ermitteln, welche Menschen mit Lungen- oder Magen-Speiseröhrenkrebs wahrscheinlich von einer Immuntherapie profitieren, und Menschen mit Melanomen zu identifizieren, bei denen ein Rückfall ihres Krebses am wahrscheinlichsten ist.
Die Forscher nannten das Modell MUSK, eine Abkürzung für „ Multimodal Transformer with Unified Mask Modeling “ . MUSK stellt eine deutliche Abweichung von der Art und Weise dar, wie künstliche Intelligenz derzeit in klinischen Pflegeumgebungen eingesetzt wird, und die Forscher sind überzeugt, dass es die Art und Weise verändern wird, wie künstliche Intelligenz die Patientenpflege steuern kann.
„MUSK kann die Prognosen von Menschen mit vielen verschiedenen Krebsarten und -stadien genau vorhersagen“, sagte Dr. Ruijiang Li , außerordentlicher Professor für Strahlenonkologie. „Wir haben MUSK entwickelt, weil sich Ärzte in der klinischen Praxis nie nur auf einen einzigen Datentyp verlassen, um klinische Entscheidungen zu treffen. Wir wollten mehrere Datentypen nutzen, um mehr Einblicke zu gewinnen und präzisere Vorhersagen über die Ergebnisse der Patienten zu erhalten.“
Li, Mitglied des Stanford Cancer Institute, ist der Hauptautor der Studie , die am 8. Januar in Nature veröffentlicht wurde . Die Postdoktoranden Jinxi Xiang , PhD, und Xiyue Wang , PhD, sind die Hauptautoren der Forschungsarbeit.
In der künstlichen Intelligenz ist MUSK ein sogenanntes Grundlagenmodell. Mit riesigen Datenmengen vortrainierte Grundlagenmodelle können durch zusätzliches Training an die Ausführung bestimmter Aufgaben angepasst werden. Da die Forscher MUSK so konzipiert haben, dass es ungepaarte multimodale Daten verwendet, die die traditionellen Anforderungen für das Training künstlicher Intelligenz nicht erfüllen, wird der Datenpool, den der Computer während seines anfänglichen Trainings zum „Lernen“ verwenden kann, um mehrere Größenordnungen erweitert. Mit diesem Vorsprung wird jedes nachfolgende Training mit viel kleineren, spezialisierteren Datensätzen durchgeführt. Tatsächlich ist MUSK ein gebrauchsfertiges Werkzeug, das Ärzte feinabstimmen können, um bestimmte klinische Fragen zu beantworten.
„Der größte ungedeckte klinische Bedarf besteht in der Entwicklung von Modellen, die Ärzte zur Steuerung der Patientenbehandlung verwenden können“, sagte Li. „Braucht dieser Patient dieses Medikament? Oder sollten wir uns stattdessen auf eine andere Therapieform konzentrieren? Derzeit verwenden Ärzte Informationen wie das Krankheitsstadium und bestimmte Gene oder Proteine, um diese Entscheidungen zu treffen, aber das ist nicht immer genau.“
Die Forscher sammelten mikroskopische Objektträger mit Gewebeschnitten, die zugehörigen pathologischen Berichte und Nachuntersuchungsdaten (einschließlich der Ergebnisse der Patienten) aus der nationalen Datenbank „The Cancer Genome Atlas“ für Menschen mit 16 Hauptkrebsarten, darunter Brust-, Lungen-, Dickdarm-, Bauchspeicheldrüsen-, Nieren-, Blasen-, Kopf- und Halskrebs. Sie nutzten die Informationen, um MUSK zu trainieren, das krankheitsspezifische Überleben oder den Prozentsatz der Menschen vorherzusagen, die während eines bestimmten Zeitraums nicht an einer bestimmten Krankheit gestorben sind.
Bei allen Krebsarten prognostizierte MUSK das krankheitsspezifische Überleben eines Patienten in 75 % der Fälle genau. Standardvorhersagen, die auf dem Krebsstadium einer Person und anderen klinischen Risikofaktoren basieren, waren dagegen in 64 % der Fälle korrekt.
In einem anderen Beispiel trainierten die Forscher MUSK darauf, anhand von Tausenden von Informationen vorherzusagen, welche Patienten mit Lungenkrebs oder Krebs des Magen- und Speiseröhrentrakts am wahrscheinlichsten von einer Immuntherapie profitieren würden.
