CAMBRIDGE / BOSTON / MÜNCHEN (IT BOLTWISE) – Forscher des MIT CSAIL entwickeln fortschrittliche maschinelle Lernmodelle, die aktuelle Methoden zur Erkennung von duktalem Pankreasadenokarzinom übertreffen. Dies markiert einen wichtigen Fortschritt in der Früherkennung dieser schwer zu diagnostizierenden Krankheit.
Der erste dokumentierte Fall von Bauchspeicheldrüsenkrebs reicht bis ins 18. Jahrhundert zurück. Seitdem haben Forscher eine langwierige und herausfordernde Reise unternommen, um diese heimtückische und tödliche Krankheit zu verstehen. Bis heute gibt es keine bessere Krebsbehandlung als die frühzeitige Intervention. Leider ist die Bauchspeicheldrüse, tief im Bauchraum versteckt, besonders schwer frühzeitig zu erkennen.
Wissenschaftler des MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) in Zusammenarbeit mit Limor Appelbaum, einer Wissenschaftlerin in der Abteilung für Strahlenonkologie am Beth Israel Deaconess Medical Center (BIDMC), strebten danach, potenziell gefährdete Patienten besser zu identifizieren. Sie entwickelten zwei maschinelle Lernmodelle zur Früherkennung von duktalem Pankreasadenokarzinom (PDAC), der häufigsten Form dieser Krebsart. Um auf eine breite und vielfältige Datenbank zugreifen zu können, arbeitete das Team mit einem föderierten Netzwerkunternehmen zusammen und nutzte elektronische Gesundheitsdaten verschiedener Einrichtungen in den gesamten Vereinigten Staaten. Dieser riesige Datenpool trug dazu bei, die Zuverlässigkeit und Generalisierbarkeit der Modelle zu gewährleisten, sodass sie auf eine breite Palette von Bevölkerungsgruppen, geografischen Standorten und demografischen Gruppen anwendbar sind.
Die beiden Modelle – das neuronale Netzwerk „PRISM“ und das logistische Regressionsmodell, eine statistische Technik zur Wahrscheinlichkeitsberechnung, übertrafen die aktuellen Methoden. Ein Vergleich des Teams zeigte, dass während Standard-Screening-Kriterien etwa 10 Prozent der PDAC-Fälle unter Verwendung eines fünffach höheren relativen Risikoschwellenwerts identifizieren, Prism 35 Prozent der PDAC-Fälle bei diesem gleichen Schwellenwert erkennen kann.
Der Einsatz von KI zur Erkennung von Krebsrisiken ist kein neues Phänomen – Algorithmen analysieren Mammographien, CT-Scans auf Lungenkrebs und unterstützen bei der Analyse von Pap-Abstrichen und HPV-Tests, um nur einige Anwendungen zu nennen. „Die PRISM-Modelle heben sich durch ihre Entwicklung und Validierung anhand einer umfangreichen Datenbank von über 5 Millionen Patienten ab, was den Umfang der meisten bisherigen Forschungen in diesem Bereich übertrifft“, sagt Kai Jia, ein Doktorand am MIT im Bereich Elektrotechnik und Informatik (EECS), MIT CSAIL-Mitglied und Erstautor einer Open-Access-Veröffentlichung in eBioMedicine, die die neue Arbeit beschreibt. „Das Modell verwendet routinemäßige klinische und Labordaten für seine Vorhersagen, und die Vielfalt der US-Bevölkerung stellt einen bedeutenden Fortschritt gegenüber anderen PDAC-Modellen dar, die normalerweise auf spezifische geografische Regionen beschränkt sind, wie einige Gesundheitszentren in den USA. Zudem verbesserte eine einzigartige Regularisierungstechnik im Trainingsprozess die Generalisierbarkeit und Interpretierbarkeit der Modelle.“
„Dieser Bericht skizziert einen leistungsstarken Ansatz, um große Datenmengen und Künstliche Intelligenz-Algorithmen zu nutzen, um unseren Ansatz zur Identifizierung von Risikoprofilen für Krebs zu verfeinern“, sagt David Avigan, Professor an der Harvard Medical School und Direktor des Krebszentrums sowie Leiter der Hämatologie und hämatologischen Malignome am BIDMC, der nicht an der Studie beteiligt war. „Dieser Ansatz könnte zu neuartigen Strategien führen, um Patienten mit hohem Malignitätsrisiko zu identifizieren, die von gezielten Screening-Maßnahmen mit dem Potenzial für frühzeitige Eingriffe profitieren könnten.“
Prismatische Perspektiven
Die Entwicklung von PRISM begann vor über sechs Jahren, angetrieben von persönlichen Erfahrungen mit den Grenzen der aktuellen Diagnosepraktiken. „Etwa 80-85 Prozent der Patienten mit Bauchspeicheldrüsenkrebs werden in fortgeschrittenen Stadien diagnostiziert, in denen eine Heilung nicht mehr möglich ist“, sagt Hauptautorin Appelbaum, die auch Dozentin an der Harvard Medical School und Strahlenonkologin ist. „Diese klinische Frustration löste die Idee aus, in den verfügbaren Daten der elektronischen Gesundheitsakten (EHRs) zu graben.“
Die enge Zusammenarbeit der CSAIL-Gruppe mit Appelbaum ermöglichte es, die medizinischen und maschinellen Lernaspekte des Problems besser zu verstehen und schließlich zu einem viel genaueren und transparenteren Modell zu gelangen. „Die Hypothese war, dass diese Aufzeichnungen versteckte Hinweise enthielten – subtile Zeichen und Symptome, die als Frühwarnsignale für Bauchspeicheldrüsenkrebs dienen könnten“, fügt sie hinzu. „Dies leitete unseren Einsatz von föderierten EHR-Netzwerken bei der Entwicklung dieser Modelle, für einen skalierbaren Ansatz bei der Bereitstellung von Risikovorhersage-Tools im Gesundheitswesen.“
Beide Modelle, PrismNN und PrismLR, analysieren EHR-Daten, einschließlich Patientendemografie, Diagnosen, Medikamenten und Laborergebnissen, um das PDAC-Risiko zu bewerten. PrismNN verwendet Künstliche neuronale Netzwerke, um komplexe Muster in Datenmerkmalen wie Alter, medizinische Vorgeschichte und Laborergebnisse zu erkennen und liefert eine Risikobewertung für die Wahrscheinlichkeit von PDAC. PrismLR verwendet logistische Regression für eine einfachere Analyse und generiert eine Wahrscheinlichkeitsbewertung von PDAC basierend auf diesen Merkmalen. Zusammen bieten die Modelle eine gründliche Bewertung verschiedener Ansätze zur Vorhersage des PDAC-Risikos aus denselben EHR-Daten.
Ein wesentlicher Punkt, um das Vertrauen der Ärzte zu gewinnen, ist laut Team ein besseres Verständnis darüber, wie die Modelle funktionieren, bekannt im Bereich als Interpretierbarkeit. Die Wissenschaftler wiesen darauf hin, dass logistische Regressionsmodelle von Natur aus einfacher zu interpretieren sind, aber jüngste Fortschritte haben tiefe neuronale Netzwerke etwas transparenter gemacht. Dies half dem Team, die Tausenden von potenziell prädiktiven Merkmalen, die aus der EHR eines einzelnen Patienten abgeleitet wurden, auf etwa 85 kritische Indikatoren zu verfeinern. Diese Indikatoren, zu denen das Alter des Patienten, die Diagnose von Diabetes und eine erhöhte Häufigkeit von Arztbesuchen gehören, werden automatisch vom Modell entdeckt, entsprechen jedoch dem Verständnis der Ärzte von Risikofaktoren, die mit Bauchspeicheldrüsenkrebs in Verbindung stehen.
Der Weg nach vorn
Trotz des Versprechens der PRISM-Modelle sind, wie bei jeder Forschung, einige Teile noch in Arbeit. Die Modelle basieren derzeit ausschließlich auf US-Daten, was Tests und Anpassungen für den globalen Einsatz erforderlich macht. Wie das Team betont, besteht der Weg nach vorne darin, die Anwendbarkeit des Modells auf internationale Datensätze zu erweitern und zusätzliche Biomarker zu integrieren, um eine genauere Risikobewertung zu ermöglichen.
„Ein weiteres Ziel für uns ist es, die Implementierung der Modelle in den routinemäßigen Gesundheitsversorgungsbetrieb zu erleichtern. Die Vision besteht darin, dass diese Modelle nahtlos im Hintergrund der Gesundheitssysteme arbeiten und automatisch Patientendaten analysieren und Ärzte auf Hochrisikofälle aufmerksam machen, ohne ihre Arbeitsbelastung zu erhöhen“, sagt Jia. „Ein maschinelles Lernmodell, das in das EHR-System integriert ist, könnte Ärzte frühzeitig über Hochrisikopatienten informieren und möglicherweise Interventionen ermöglichen, lange bevor Symptome auftreten. Wir sind gespannt darauf, unsere Techniken in der realen Welt einzusetzen, um allen Menschen ein längeres, gesünderes Leben zu ermöglichen.“
Jia verfasste das Papier zusammen mit Applebaum und dem MIT-EECS-Professor und CSAIL-Leiter Martin Rinard, die beide die Hauptautoren des Papiers sind. Die Forscher des Papiers wurden während ihrer Zeit am MIT CSAIL teilweise von der Defense Advanced Research Projects Agency, Boeing, der National Science Foundation und Aarno Labs unterstützt. TriNetX stellte Ressourcen für das Projekt bereit, und die Prevent Cancer Foundation unterstützte das Team ebenfalls.
Ergänzungen und Infos bitte an die Redaktion per eMail an de-info[at]it-boltwise.de
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.