2024. 03. 01. - 08:50
Májrák kockázatát jelzi előre pontosabban a mesterséges intelligencia
Mesterséges intelligenciát vetett be egy kutatócsoport a májrák rizikójának előrejelzésére, ígéretes sikerrel.
Gépi tanulási modellt fejlesztett ki egy kutatócsoport, amely meg tudja jósolni a májrák kockázatát. A Sacramento-i Kaliforniai Egyetem Davis Health klinikusai és adatszakértői a mesterséges intelligencia segítségével jelezték előre, mely betegeknél nagyobb a kockázata a májrák gyakori típusa, a hepatocelluláris karcinóma (HCC) kialakulásának.
A tanulmányt a Gastro Hep Advances folyóiratban jelentették meg. Ebben leírják, miként segítheti a prediktív tanulás az orvosokat korai HCC-kockázatbecslés készítésében, olyan betegeknél, akiknél metabolikus diszfunkcióval összefüggő steatotikus májbetegséget (MASLD) diagnosztizáltak.
A kísérleti technológia képes lehet kritikus információkat nyújtani az orvosoknak a páciensek alaposabb szűréséhez, s így személyre szabottabb ellátást kínál.
„A metabolikus diszfunkcióval összefüggő steatotikus májbetegség hepatocelluláris karcinómához vezethet, de a betegség meglehetősen alattomos. Gyakran nem világos, mely pácienseket fenyegeti ez a kockázat - mondta Aniket Alurwar, a tanulmány társszerzője, az UC Davis Precíziós Orvostudományi és Adattudományi Központ klinikai informatikai szakértője. – Nem tűnik értelemszerűnek minden MASLD-ben szenvedő betegnél biopsziát végezni, ám ha szegmentálni tudjuk a kockázatot, akkor közelebbről nyomon követhetjük ezeket az embereket és talán korán megcsíphetjük a HCC-t.” Olvasd el: Harminc nap alatt talált kezelést a májrákra a mesterséges intelligencia
Májrák kockázatát jelzi előre a mesterséges intelligencia
Az alattomos állapot diagnosztizálása
A MASLD – amit korábban nem alkoholos zsírmájbetegségnek vagy NAFLD-nek hívtak -, egy állapot, amely gyakran összefügg olyan anyagcsere-betegségekkel, mint a 2-es típusú cukorbetegség, a zsír felhalmozódása a májban.
Az amerikaiaknak körülbelül 25 százaléka szenved a MASLD valamilyen formájában - így ez számít az egyik leggyakoribb májbetegségnek.
Az adattudós csapat szorosan együttműködött a klinikusokkal, köztük a tanulmány első szerzőjével, Souvik Sarkar gasztroenterológiai és hepatológiai adjunktussal, valamint Frederick Meyers-szel, a belgyógyászat, hematológia és onkológia professzorával, a tanulmány vezető szerzőjével. Meyer a Precíziós Orvostudományi és Adattudományi Központ igazgatója is.
A tanulmány az egyik első a maga nemében. A kutatók gépi tanulási algoritmusokat képeztek ki, amelyek nagy adatkészleteket használtak fel az ellenőrizhető előrejelzések készítésére.
Kilenc különböző nyílt forráskódú algoritmust teszteltek, majd ötöt választottak ki a további értékeléshez és modellépítéshez.
Ezután megtanították a kiválasztott algoritmusokat 1561 (UC Davis Health-beli) MASLD-beteg azonosítatlan egészségügyi adatainak futtatására, akik közül végül 227-nél alakult ki hepatocelluláris karcinóma. Később ezt az öt legjobb algoritmust 686, a Kaliforniai Egyetem San Francisco-i betegei adatai alapján validálták (szintén azonosítatlan orvosi feljegyzéseken keresztül) és 176-nál diagnosztizáltak HCC-t. Olvasd el: Korábban és pontosabban azonosítja a májrákot a mesterséges intelligencia
A Gradient Boosted Trees nevű algoritmus végül a legnagyobb statisztikai pontossággal, érzékenységgel és specifitással hozta létre az előrejelzési modellt.
A tanulmány megerősítette, hogy a HCC kockázatának egyik legmegbízhatóbb markere az előrehaladott májfibrózis vagy hegesedés, amelyet magas Fibrosis-4 Index (FIB-4) pontszám jellemez.
A kutatók azonban négy további kockázati tényezőt is találtak a májműködéssel kapcsolatban: a magas koleszterinszintet, a magas vérnyomást, a bilirubint és az alkalikus foszfatázt (ALP), egy olyan enzimet, amely májproblémákat jelezhet. Ezen kockázati tényezők kombinációja egy modellben segített előre jelezni a HCC kockázatát.
Nagy pontossággal dolgozik a mesterséges intelligencia
A kutatócsapat meglátása szerint a HCC-hez több út vezet - amelyek közül a magas FIB-4 a legnyilvánvalóbb. Egyes esetekben alacsony FIB-4, de magas koleszterin-, bilirubin- és magas vérnyomású betegeknél is kialakult a betegség. A jelenlegi irányelvek szerint ezek a páciensek azonban nem részesülnének elővigyázatossági ellátásban.
„Nagyon jó egy kísérleti modell esetében, hogy 92,12 százalékos pontosságot kaptunk, amikor megjósoltuk, mely MASLD-betegeknél alakul ki HCC - mondta Alurwar. - Az alacsony FIB-4-es betegeket általában alacsony kockázatúnak tekintik és nem küldik őket további értékelésre. Ha megmutatjuk, hogy ezen, alacsony kockázatúnak nevezett betegek közül melyikben alakulhat ki HCC, beutalhatjuk őket májbiopsziára vagy képalkotásra.”
A kutatók büszkék a modelljükre, ugyanakkor azt tervezik, hogy pontosabb adatok, például klinikai feljegyzések beépítésével javítják a precizitást.
Ennek során a mesterséges intelligencia egy másik formáját, az úgynevezett természetes nyelvi feldolgozást alkalmazzák majd, amely az írott szöveget adatokká fordítja le.
A csapat tesztelni fogja a Bedrockot, az Amazon generatív mesterséges intelligencia platformját is.
Végül, úgy vélik, egy hasonló modellt be lehetne építeni az elektronikus egészségügyi nyilvántartásokba vagy egy külön platformba, hogy jelezzék a klinikusok számára, ha a MASLD-betegek nagyobb HCC-kockázattal szembesülnek.
„Úgy gondoljuk, javítani tudjuk az algoritmust a klinikai feljegyzések és esetleg más információk beépítésével. Ezeknek az adatoknak a beágyazásával egy még erősebb modell hozható létre, amelyet aztán tesztelhetünk, hogy megnézzük, hogyan működik” – fogalmazott Aniket Alurwar.
L.A.
