Les chercheurs développent la méthode d'artificial intelligence pour aider des malades du cancer mondiaux

Avant d'exécuter la radiothérapie, les oncologistes de radiothérapie observent d'abord soigneusement des images médicales d'un patient pour recenser le volume tumorale brut -- la partie observable de la maladie. Ils conçoivent alors les volumes cliniques d'objectif de patient-détail qui comprennent des tissus environnants, puisque ces régions peuvent cacher des cellules cancéreuses et fournir des voies pour la métastase.

Connu comme contournant, ce procédé détermine combien radiothérapie un patient recevra et comment elle sera fournie. Dans le cas du cancer de la tête et du cou, c'est une tâche particulièrement sensible due à la présence des tissus vulnérables à proximité.

Bien qu'elle puisse sembler droite, contournant l'objectif des volumes cliniques est tout à fait subjectif. Une étude récente d'université d'Utrecht a trouvé la variabilité large dans la façon dont les médecins qualifiés ont contourné du même l'échographie de la tomodensitométrie (CT) patient, aboutissant quelques médecins à proposer les volumes cliniques à haut risque d'objectif huit fois plus grandes que leurs collègues.

Cette variabilité d'inter-médecin est un problème pour les patients, qui peuvent être sur-- ou sous-dosés basé sur le docteur qu'ils travaillent avec. C'est également un problème pour déterminer les pratiques, ainsi les niveaux de soins peuvent apparaître.

Récent, Carlos Cardenas, une aide à la recherche licenciée et le candidat de PhD au centre de lutte contre le cancer de DM Anderson d'Université du Texas à Houston, Texas, et une équipe de recherche à DM Anderson, fonctionnant sous la direction de la cour de Laurence avec le support des instituts de la santé nationaux, ont développé une méthode neuve pour automatiser le contournement des volumes cliniques à haut risque d'objectif utilisant l'artificial intelligence et les réseaux neuronaux profonds.

Ils enregistrent leurs résultats dans l'édition de juin 2018 du tourillon international de la radiothérapie Oncology*Biology*Physics.

Le travail de Cardenas se concentre sur traduire le processus décisionnel d'un médecin dans un programme informatique. « Nous avons beaucoup de caractéristiques cliniques et des caractéristiques de plan de traitement de radiothérapie à DM Anderson, » il a dit. « Si nous pensons au problème d'une voie sèche, nous pouvons reproduire les configurations que nos médecins emploient pour traiter les types spécifiques de tumeurs. »

Dans leur étude, ils ont analysé des caractéristiques de 52 malades du cancer oro-pharyngés qui avaient été soignés à DM Anderson entre les janvier 2006 à août 2010, et avaient précédemment fait contourner leurs volumes tumorale bruts et volumes tumorale cliniques pour leur demande de règlement de radiothérapie.

Cardenas a dépensé observer beaucoup de temps l'équipe d'oncologie de radiothérapie à DM Anderson, qui a une des quelques équipes des oncologistes de sous-spécialiste de tête et de col dans le monde, essayant de déterminer comment ils définissent les objectifs.

« Pour les volumes à haut risque d'objectif, beaucoup d'oncologistes de radiothérapie de périodes emploient la maladie brute existante de tumeur et appliquent une marge non-uniforme de distance basée sur la forme de la tumeur et ses tissus adjacents, » Cardenas a dit. « Nous avons commencé par vérifier ce premier, utilisant les vecteurs de distance simples. »

Cardenas a commencé le projet en 2015 et a eu rapidement accumulé une quantité peu maniable de caractéristiques à analyser. Il s'est tourné vers apprendre profondément comme manière dont de l'exploitation des caractéristiques et exposition des règles non écrites guidant les décisions des experts.

L'algorithme apprenant profond il a développé des automatique-encodeurs d'utilisations -- une forme des réseaux neuronaux qui peuvent apprendre comment représenter des ensembles de données -- pour recenser et recréer les configurations de contournement de médecin.

Le modèle emploie l'information brute de plan de volume tumorale et de distance d'entourer les structures anatomiques en tant que ses entrées. Il classifie alors les caractéristiques pour recenser des voxels -- pixels en trois dimensions -- ce font partie des volumes cliniques à haut risque d'objectif. Dans des cas oro-pharyngés de cancer, la tête et le col sont habituellement traités avec différents volumes pour le haut, le bas et le risque moyen. L'article a décrit automatiser l'objectif pour les endroits à haut risque. Les prochains articles complémentaires décriront les prévisions inférieures et intermédiaires.

Cardenas et ses collaborateurs ont vérifié la méthode sur un sous-ensemble de cas qui avaient été laissés hors des caractéristiques de formation. Ils ont constaté que leurs résultats étaient comparables au travail des oncologistes qualifiés. Les formes prévues étées d'accord attentivement avec la prise de masse-vérité et ont pu être mises en application cliniquement, avec seulement moins important ou aucune modifications.

En plus potentiellement de réduire la variabilité d'inter-médecin et de permettre des comparaisons des résultats dans les tests cliniques, un avantage tertiaire de la méthode est la vitesse et le rendement qu'elle offre. Cela prend un oncologiste de radiothérapie pendant deux à quatre heures pour déterminer les volumes cliniques d'objectif. À DM Anderson, ce résultat est alors des pairs observés par les médecins complémentaires pour réduire à un minimum le risque de manquer la maladie.

Utilisant le superordinateur non-conformiste chez le Texas avancé calculant le centre (TACC), ils pouvaient produire les volumes cliniques d'objectif dedans sous une minute. La formation du système a pris le plus long laps de temps, mais pour cette opération aussi, des moyens de TACC aidés à accélérer la recherche de manière significative.

« Si nous devions le faire sur notre GPU local [unité de traitement de dessins], cela aurait pris deux mois, » Cardenas a dit. « Mais nous pouvions paralléliser le procédé et faire l'optimisation sur chaque patient en envoyant ces circuits à TACC et à celui est où nous avons trouvé beaucoup d'avantages à l'aide du système de TACC. »

« Ces dernières années, nous avons vu une décomposition des projets neufs utilisant apprendre profondément sur des systèmes de TACC, » a dit Joe Allen, un associé de recherches à TACC. « Il est excitant et accomplissant pour que nous puissent supporter la recherche de Carlos, qui est tellement attentivement attachée aux soins médicaux réels. »

Le projet se destine particulièrement pour aider les pays inférieur-et-moyens de revenu où les compétences dans le contournement sont plus rares, bien qu'il soit susceptible que les outils seront également utiles aux États-Unis.

Cardenas dit qu'un tel outil pourrait également grand bénéficier des tests cliniques de permettre un à comparent plus facilement les résultats des patients soignés à deux institutions différentes.

Parlant au sujet de l'intégration d'apprendre profondément dans des soins de cancer, il a dit : « Je pense qu'ils vont changer notre inducteur. Certains de ces systèmes de recommender obtiennent d'être très bons et nous commençons à voir les systèmes qui peuvent effectuer des prévisions avec un de grande précision que quelques radiologues pouvons. J'espère que la traduction clinique de ces outils fournit à des médecins les informations complémentaires qui peuvent aboutir à améliorer des demandes de règlement patientes. »

Source : https://www.tacc.utexas.edu/-/an-ai-oncologist-to-help-cancer-patients-worldwide