Le cancer du poumon est l'une des maladies les plus difficiles, ce qui rend le diagnostic précoce crucial pour un traitement efficace. Heureusement, les progrès de l'intelligence artificielle (IA) transforment le dépistage du cancer du poumon, améliorant à la fois la précision et l'efficacité. Bien que les méthodes de dépistage actuelles comme la TDM à faible dose aident à confirmer les soupçons de cancers du poumon, ils souffrent souvent de taux élevés de faux positifs et de variabilité dans la déclaration des résultats accessoires mais critiques, tels que ceux concernant les maladies cardiovasculaires. De plus, le taux de dépistage de la TDM à faible dose reste faible (<10%), en raison d'une pénurie globale de radiologues.
Une nouvelle étude publiée dans Communications de la nature Présent un modèle de fondation multimodale multimodale qui améliore considérablement les capacités de la TDM à faible dose. Ce modèle d'IA améliore la prédiction du risque de cancer du poumon de 20% et le risque cardiovasculaire de 10%. Développé et testé par une équipe interdisciplinaire du Rensselaer Polytechnic Institute (RPI), de la Wake Forest University (WFU) et du Massachusetts General Hospital (MGH), ce modèle est le premier du genre à aborder simultanément une douzaine de tâches connexes, incorporant des données sur plusieurs sources, notamment des tomodensitométrie, des rapports de radiologie, des facteurs de risque de patients et des facteurs de risque de patient et des facteurs de risque clés.
Le premier auteur de l'étude est Chuang Niu, Ph.D., chercheur à RPI. Les auteurs correspondants incluent GE Wang, Ph.D., Clark-Crossan Professeur et directeur du Centre d'imagerie biomédicale de RPI, Christopher T. Whitlow, MD / Ph.D., professeur à WFU, Mannudeep K. Kalra, MD, professeur à MGH. Les principaux collaborateurs de RPI incluent Pingkun Yan, Ph.D., et Christopher D. Carothers, Ph.D., ainsi que d'autres coauteurs importants.
L'impact clinique potentiel de ce travail est immense. En intégrant les images CT avec des informations textuelles, le modèle améliore considérablement la détection et la prédiction du cancer du poumon, un facteur critique dans l'amélioration des résultats des patients. De plus, l'un des principaux avantages de l'utilisation de modèles de fondation en médecine est que lorsqu'il est formé avec des tomodensitométrie à grande échelle et d'autres types de données, ces modèles peuvent augmenter les performances du modèle dans de nouvelles tâches connexes. Par exemple, ce modèle peut améliorer les performances dans des domaines tels que l'oncologie, où les données spécifiques aux tâches sont souvent limitées.
« Ce travail a été considérablement accéléré à l'aide de l'installation informatique haute performance de RPI », a déclaré Wang. « Maintenant, notre équipe multi-institutionnelle améliore davantage notre modèle de fondation sur une taille croissante de données multimodales, en utilisant à la fois nos propres GPU et notre installation informatique haute performance de l'Empire de New York.
Le Dr Wang et son équipe font des progrès importants vers l'amélioration de la santé humaine en combinant la puissance de l'imagerie médicale, de l'IA et de l'informatique haute performance. RPI a toujours été à l'avant-garde des sciences et de l'ingénierie informatiques, offrant aux professeurs et aux étudiants l'accès à la meilleure infrastructure informatique du monde pour accélérer le développement et la traduction d'idées transformatrices. Nous sommes ravis de ce que ce travail signifie pour l'avenir de la détection précoce des maladies et nous sommes impatients de voir d'autres avancées. «
Shekhar Garde, Ph.D., The Thomas R. Farino Jr. '67 et Patricia E. Farino doyen de l'École d'ingénierie à RPI
