I ricercatori mettono a punto il metodo di intelligenza artificiale per aiutare i malati di cancro universalmente

Prima di realizzare la radioterapia, gli oncologi di radiazione in primo luogo esaminano con attenzione le immagini mediche di un paziente per identificare il volume lordo del tumore -- la parte osservabile della malattia. Poi progettano i volumi clinici paziente-specifici dell'obiettivo che includono i tessuti circostanti, poiché queste regioni possono nascondere le celle cancerogene e fornire le vie per la metastasi.

Conosciuto come contornando, questo trattamento stabilisce quanta radiazione un paziente riceverà e come sarà consegnata. Nel caso del cancro di collo e capo, questo è un compito particolarmente sensibile dovuto la presenza di tessuti vulnerabili nelle vicinanze.

Sebbene possa sondare diretto, che contorna l'obiettivo i volumi clinici è abbastanza soggettivo. Uno studio recente dall'università di Utrecht ha trovato l'ampia variabilità in come i medici formati hanno contornato la scansione della tomografia computerizzata dello stesso (CT) paziente, piombo alcuni medici suggerire i volumi clinici ad alto rischio dell'obiettivo otto volte più grandi dei loro colleghi.

Questa variabilità del inter medico è un problema per i pazienti, che possono essere sovra- o sotto-dosati basato sul medico che lavorano con. È egualmente un problema per la determinazione dei best practice, in modo dagli standard di cura possono emergere.

Recentemente, Carlos Cardenas, un assistente di ricerca laureato ed il candidato di PhD al centro del Cancro di Anderson di MD dell'università del Texas a Houston, il Texas e un gruppo dei ricercatori al MD Anderson, lavorante sotto la supervisione della corte di Laurence con supporto dagli istituti della sanità nazionali, hanno messo a punto un nuovo metodo per automatizzare il contorno dei volumi clinici ad alto rischio dell'obiettivo facendo uso di intelligenza artificiale e delle reti neurali profonde.

Riferiscono i loro risultati nell'edizione del giugno 2018 del giornale internazionale di radiazione Oncology*Biology*Physics.

Il lavoro di Cardenas mette a fuoco sulla traduzione del processo decisionale di un medico in un programma informatico. “Abbiamo molti dati clinici e dati di pianificazione di trattamento di radioterapia al MD Anderson,„ ha detto. “Se pensiamo al problema in un modo astuto, possiamo ripiegare i reticoli che i nostri medici stanno usando per trattare i tipi specifici di tumori.„

Nel loro studio, hanno analizzato i dati da 52 malati di cancro orofaringei che erano stati curati al MD Anderson fra i gennaio 2006 all'agosto 2010 e precedentemente avevano fatti i loro volumi lordi del tumore contornare ed i volumi clinici del tumore per il loro trattamento di radioterapia.

Cardenas ha speso molto tempo l'osservazione del gruppo dell'oncologia di radiazione al MD Anderson, che ha uno dei pochi gruppi degli oncologi del subspecialist del collo e della testa nel mondo, provante a determinare come definiscono gli obiettivi.

“Per i volumi ad alto rischio dell'obiettivo, molti oncologi di radiazione di periodi usano la malattia lorda attuale del tumore ed applicano un margine non uniforme di distanza basato sulla forma del tumore ed i sui tessuti adiacenti,„ Cardenas ha detto. “Abbiamo cominciato studiando questo primo, facendo uso dei vettori semplici di distanza.„

Cardenas ha cominciato il progetto nel 2015 e rapidamente aveva accumulato una quantità poco maneggevole di dati per analizzare. Si è girato verso in profondità l'apprendimento come modo di estrazione mineraria che dati e scoprire le norme non scritte che guidano le decisioni degli esperti.

L'algoritmo di apprendimento profondo ha sviluppato i automatico-codificatori di usi -- un modulo delle reti neurali che possono imparare come rappresentare i gruppi di dati -- per identificare e ricreare i reticoli di contorno del medico.

Il modello usa le informazioni lorde della mappa del volume e di distanza del tumore dal circondare le strutture anatomiche come sui input. Poi classifica i dati per identificare i voxels -- pixel tridimensionali -- quello fa parte dei volumi clinici ad alto rischio dell'obiettivo. Nei casi orofaringei del cancro, la testa ed il collo sono trattati solitamente con differenti volumi per l'alto, rischio basso ed intermedio. L'articolo ha descritto automatizzare l'obiettivo per le aree ad alto rischio. I prossimi articoli supplementari descriveranno le previsioni basse ed intermedie.

Cardenas ed i suoi collaboratori hanno verificato il metodo su un sottoinsieme dei casi che erano stati lasciati dai dati di addestramento. Hanno trovato che i loro risultati erano comparabili al lavoro degli oncologi formati. I contorni preveduti acconsentiti molto attentamente con la terra-verità ed hanno potuto essere applicati clinicamente, con soltanto secondario o nessun cambiamenti.

Oltre potenzialmente alla diminuzione della variabilità del inter medico ed a permettere i confronti dei risultati nei test clinici, un vantaggio terziario del metodo è la velocità ed il risparmio di temi che offre. Cattura gli oncologi di radiazione due - quattro ore per determinare i volumi clinici dell'obiettivo. Al MD Anderson, questo risultato è poi il pari esaminato dai medici supplementari per minimizzare il rischio di mancanza della malattia.

Facendo uso del supercomputer non conformista al centro di elaborazione avanzato il Texas (TACC), potevano produrre i volumi clinici dell'obiettivo dentro al di sotto di un minuto. La formazione del sistema ha catturato il lasso di tempo più lungo, ma per quel punto anche, risorse di TACC contribuite ad accelerare significativamente la ricerca.

“Se dovessimo farlo sul nostro locale GPU [unità di elaborazione dei grafici], avrebbe richiesto due mesi,„ Cardenas ha detto. “Ma potevamo disporre parallelamente il trattamento e fare l'ottimizzazione su ogni paziente mediante l'invio dei quei percorsi a TACC ed a quello è dove abbiamo trovato molti vantaggi usando il sistema di TACC.„

“Negli ultimi anni, abbiamo veduto un'esplosione di nuovi progetti facendo uso in profondità dell'apprendimento sui sistemi di TACC,„ ha detto Joe Allen, un socio di ricerca a TACC. “È emozionante e compiente affinchè noi possa da supportare la ricerca di Carlos, che è legata così molto attentamente ad assistenza medica reale.„

Il progetto specificamente è inteso per aiutare i paesi basso e medi di reddito in cui la competenza nel contorno è più rara, sebbene sia probabile che gli strumenti egualmente saranno utili negli Stati Uniti.

Cardenas dice che un tal strumento potrebbe anche notevolmente avvantaggiare i test clinici permettendo uno a più facilmente confronta i risultati dei pazienti curati a due istituzioni differenti.

Parlando dell'integrazione in profondità di apprendimento nella cura del cancro, ha detto: “Penso che stia andando cambiare il nostro campo. Alcuni di questi sistemi del recommender stanno ottenendo di essere molto buoni e stiamo cominciando vedere i sistemi che possono fare le previsioni con un'più alta accuratezza che alcuni radiologi possono. Spero che la traduzione clinica di questi strumenti fornisca ai medici ulteriore informazione che può piombo per migliorare i trattamenti pazienti.„