Deux études menées par Johns Hopkins Kimmel Cancer Center, Ludwig Center et Johns Hopkins Whiting School of Engineering Researchers rapportent sur une nouvelle méthode puissante qui améliore considérablement la fiabilité et la précision de l'intelligence artificielle (IA) pour de nombreuses applications. Par exemple, ils appliquent la nouvelle méthode à la détection précoce du cancer à partir d'échantillons de sang, connus sous le nom de biopsie liquide.
Une étude rapporte sur le développement de la puissance (tests d'hypothèses généralisées informées multidimensionnelles), une méthode d'IA que les chercheurs ont créée pour respecter le haut niveau de confiance nécessaire pour les outils d'IA utilisés dans la prise de décision clinique. Pour illustrer les avantages de la puissance, ils l'ont utilisé pour développer un test de détection précoce du cancer en utilisant des fragments d'ADN sans cellules circulants (CCFDNA) de l'ADN circulant dans le sang.
Une étude complémentaire a révélé que les modèles de fragmentation de l'ADNNA utilisés pour détecter le cancer apparaissent également chez les patients atteints de maladies auto-immunes et vasculaires. Pour développer un test avec une sensibilité élevée pour le cancer, mais une réduction des résultats faussement positifs, la puissance a été élargie pour incorporer des données à partir de maladies auto-immunes et vasculaires obtenues auprès de collègues de Johns Hopkins et d'autres institutions qui traitent et étudient ces maladies.
Les études, soutenues en partie par les National Institutes of Health, doivent être publiées le 18 août Actes de l'Académie nationale des sciences.
Un article connexe, rédigé par trois chercheurs de Johns Hopkins, co-fondateur de Pixar Ed Catmull, Ph.D., et Microsoft Chief Data Scientist de l'IA pour le bon laboratoire Juan Lavista Ferres, a été publié simultanément dans Découverte de cancerune publication de l'American Association for Cancer Research. Il examine les défis de l'intégration de l'IA dans la pratique clinique, y compris les défis relevés par la puissance.
Cela pourrait s'adapter à s'adapter à des données réelles et vérifier sa précision sur différents sous-ensembles des données, en utilisant des dizaines de milliers d'arbres de décision, et peut être appliqué à n'importe quel domaine utilisant des mégadonnées, allant de l'astronomie à la zoologie. Il est particulièrement efficace pour l'analyse des ensembles de données biomédicaux avec de nombreuses variables mais relativement peu d'échantillons de patients, une situation courante dans laquelle les modèles d'IA traditionnels vacillent souvent.
Dans les tests utilisant des données sur les patients, pourrait systématiquement surperformé d'autres méthodes d'IA dans la sensibilité et la cohérence. Il a été appliqué au sang de 1 000 personnes à 352 patients atteints de cancers avancés et 648 individus sans cancer.
Pour chaque échantillon, les chercheurs ont évalué 44 ensembles de variables différents, chacun composé d'un ensemble de caractéristiques biologiques, telles que des longueurs de fragments d'ADN ou des anomalies chromosomiques, et ont constaté que les caractéristiques basées sur l'aneuploïdie (un nombre anormal de chromosomes) ont offert les meilleures performances de détection de cancer avec une sensibilité à 72%). Cet équilibre est essentiel dans les applications médicales du monde réel où la minimisation des faux positifs est nécessaire pour éviter les procédures inutiles.
La puissance nous donne un moyen puissant de mesurer l'incertitude et d'augmenter la fiabilité, en particulier dans les situations où la taille des échantillons est limitée, mais la complexité des données est élevée. «
Joshua Vogelstein, PhD, chercheur principal de l'étude et professeur agrégé, génie biomédical, Johns Hopkins Medicine
La puissance a également été étendue à un algorithme compagnon, appelé COMIGHT, pour déterminer si la combinaison de plusieurs ensembles variables pourrait améliorer la détection du cancer.
Les chercheurs ont appliqué la montée des échantillons de sang de 125 patientes atteintes de cancers du sein à un stade précoce et de 125 patientes atteintes d'un cancer du pancréas à un stade précoce, qui ont été analysées avec 500 témoins (participants sans cancer). Bien que les cancers pancréatiques aient été plus souvent détectés que les cancers du sein, COMIGHT Analyse a suggéré que le cancer du sein à un stade précoce pourrait bénéficier de la combinaison de plusieurs signaux biologiques, mettant en évidence le potentiel de l'outil pour adapter les stratégies de détection par type de cancer.
In the companion study, researchers Christopher Douville, PhD, assistant professor of oncology, Samuel Curtis, PhD, postdoctoral fellow in the Ludwig Center, and their teams serendipitously discovered that ccfDNA fragmentation signatures previously believed to be specific to individuals with cancer also occur in patients with other diseases, including autoimmune conditions such as lupus, systemic sclerosis and dermatomyositis, and Maladies vasculaires comme la thromboembolie veineuse.
Parmi les personnes atteintes de signatures de fragmentation anormales, ils ont trouvé une augmentation des biomarqueurs inflammatoires chez tous les patients, qu'ils avaient des maladies auto-immunes, des maladies vasculaires ou un cancer. Leurs résultats suggèrent que l'inflammation-Rather que le cancer en soi, est responsable des signaux de fragmentation, compliquant les efforts pour utiliser la fragmentation de l'ADNmt en tant que biomarqueur spécifique au cancer.
Pour relever le défi de la mal détermination de l'inflammation pour le cancer, l'équipe a ajouté des informations caractéristiques de l'inflammation dans ses données de formation pour la puissance. La version améliorée a réduit, mais n'a pas complètement éliminé, les résultats faussement positifs des maladies non cancéreuses.
« Notre objectif principal était d'étudier plus en détail les mécanismes biologiques responsables des signatures de fragmentation qui étaient auparavant considérées comme spécifiques au cancer », explique Curtis. « Alors que le domaine passe à des biomarqueurs plus complexes, la compréhension des mécanismes biologiques sous-jacents conduisant aux résultats est essentiel à leur interprétation, en particulier pour éviter les résultats de faux positifs. Nos nouvelles données indiquent que les patients atteints de maladies autres que le cancer peuvent être considérés à tort comme un cancer à moins que des garanties appropriées ne soient incorporées aux tests. »
Ajoute Douville, « une doublure en argent de cette étude est que le retravail de pourrait entraîner un test de diagnostic distinct pour les maladies inflammatoires ».
Ensemble, les études démontrent la promesse ainsi que les complexités du développement de technologies cliniques dignes de confiance en utilisant l'IA. Dans un éditorial connexe, les chercheurs ont noté plusieurs défis critiques qui doivent être relevés afin que des outils comme pourraient être pleinement intégrés dans la pratique clinique.
Ils ont identifié huit obstacles clés à la mise en place de l'IA dans les soins cliniques de routine. En termes simples, il s'agit notamment de la fausse attente que les outils d'IA doivent être impeccables avant d'être considérés comme utiles; la nécessité de présenter les résultats comme des probabilités plutôt que comme des réponses simples oui ou non; s'assurer que les prédictions d'IA correspondent aux probabilités réelles; garantir que les résultats sont reproductibles; Modèles de formation sur diverses populations; expliquer comment l'IA prend des décisions; reconnaître comment la précision des tests peut changer lorsque les maladies sont rares; et éviter une relevée excessive sur les recommandations générées par ordinateur.
« Pourrait être appliqué à n'importe quel domaine où la mesure de l'incertitude et la confiance dans la fiabilité et la reproductibilité des résultats sont essentiels. Cela pourrait être en sciences naturelles, sciences sociales ou sciences médicales. La recherche dans tous les domaines de la science nécessite la confiance que ce que l'algorithme a craché est réel, reproductible et fiable », dit Joshua Vogelstein.
Les chercheurs affirment que les résultats obtenus à l'aide des technologies d'IA devraient être considérés comme des données axées sur l'IA qui peuvent compléter mais ne pas remplacer le jugement clinique. Bien que la puissance et la banque offrent de nouveaux outils puissants dans la détection du cancer, et potentiellement la détection des maladies inflammatoires et vasculaires, ils affirment que d'autres essais cliniques et validation sont nécessaires avant que de tels tests puissent être étendus à une utilisation clinique.
« La confiance en résultant est essentielle, et maintenant qu'il existe un outil quantitatif fiable dans la puissance, nous et d'autres chercheurs pouvons l'utiliser et concentrer nos efforts sur l'étude de plus de patients et l'ajout de caractéristiques statistiquement significatives à nos tests pour la détection antérieure du cancer », a déclaré Bert Vogelstein, MD, professeur d'oncologie en oncologie de Clayton, co-instituteur du Ludwig Center, Howard Hugghes Instituts.
La puissance et son algorithme compagnon, COMIGHT, sont désormais accessibles au public sur Treeple.ai.
