Os pesquisadores desenvolvem o método da inteligência artificial para ajudar no mundo inteiro pacientes que sofre de cancro

Antes de executar a radioterapia, os oncologistas da radiação primeiramente revêem com cuidado imagens médicas de um paciente para identificar o volume bruto do tumor -- a parcela perceptível da doença. Projectam então os volumes clínicos paciente-específicos do alvo que incluem tecidos circunvizinhos, desde que estas regiões podem esconder pilhas cancerígenos e fornecer caminhos para a metástase.

Sabido como contornando, este processo estabelece quanto radiação um paciente receberá e como será entregada. No caso do cancro principal e de pescoço, esta é uma tarefa particularmente sensível devido à presença de tecidos vulneráveis na vizinhança.

Embora pode soar directa, que contorna o alvo volumes clínicos é bastante subjetivo. Um estudo recente da universidade de Utrecht encontrou a variabilidade larga em como os médicos treinados contornaram a varredura do tomografia computorizada do mesmo (CT) paciente, conduzindo alguns doutores sugerir volumes clínicos de alto risco do alvo oito vezes maiores do que seus colegas.

Esta variabilidade do inter-médico é um problema para os pacientes, que pode ser sobre ou sob-dosado baseado no doutor que trabalham com. É igualmente um problema para determinar melhores práticas, assim que os padrões de cuidado podem emergir.

Recentemente, Carlos Cardenas, um assistente de pesquisa graduado e o candidato do PhD no centro do cancro da DM Anderson da Universidade do Texas em Houston, em Texas, e em uma equipe dos pesquisadores em DM Anderson, trabalhando sob a supervisão da corte de Laurence com apoio dos institutos de saúde nacionais, desenvolveram um método novo para automatizar o contorno de volumes clínicos de alto risco do alvo usando a inteligência artificial e redes neurais profundas.

Relatam seus resultados na introdução de junho de 2018 do jornal internacional da radiação Oncology*Biology*Physics.

O trabalho de Cardenas centra-se sobre a tradução do processo de tomada de decisão de um médico em um programa informático. “Nós temos muitos dados clínicos e dados do plano do tratamento da radioterapia em DM Anderson,” disse. “Se nós pensamos sobre o problema em uma maneira esperta, nós podemos replicate os testes padrões que nossos médicos se estão usando para tratar tipos específicos de tumores.”

Em seu estudo, analisaram dados de 52 pacientes que sofre de cancro orofaríngeas que tinham sido tratadas em DM Anderson entre janeiro de 2006 até agosto de 2010, e tinham tido previamente seus volumes brutos do tumor e volumes clínicos do tumor contornados para seu tratamento da radioterapia.

Cardenas gastou muito tempo a observação da equipe da oncologia da radiação na DM Anderson, que tem uma de poucas equipes de oncologistas do subspecialist da cabeça e do pescoço no mundo, tentando determinar como definem os alvos.

“Para volumes de alto risco do alvo, muitos oncologistas da radiação das épocas usam a doença bruta existente do tumor e aplicam uma margem da distância do não-uniforme baseada na forma do tumor e seus tecidos adjacentes,” Cardenas disse. “Nós começamos investigando este primeiro, usando vectores simples da distância.”

Cardenas começou o projecto em 2015 e tinha acumulado rapidamente uma quantidade incómodo de dados para analisar. Girou para profundamente a aprendizagem como uma maneira de mineração que dados e descoberta das regras não-escritos que guiam as decisões dos peritos.

O algoritmo de aprendizagem profundo desenvolveu auto-codificadores dos usos -- um formulário das redes neurais que podem aprender como representar conjunto de dados -- para identificar e recrear testes padrões de contorno do médico.

O modelo usa a informação bruta do mapa do volume e da distância do tumor de cercar estruturas anatômicas como suas entradas. Classifica então os dados para identificar voxels -- pixéis tridimensionais -- aquela é parte dos volumes clínicos de alto risco do alvo. Em exemplos orofaríngeos do cancro, a cabeça e o pescoço são tratados geralmente com os volumes diferentes para o risco alto, baixo e intermediário. O papel descreveu automatizar o alvo para as áreas de alto risco. Os papéis próximos adicionais descreverão as baixas e previsões intermediárias.

Cardenas e seus colaboradores testaram o método em um subconjunto dos casos que tinham sido deixados fora dos dados do treinamento. Encontraram que seus resultados eram comparáveis ao trabalho de oncologistas treinados. Os contornos previstos concordados pròxima com a terra-verdade e podiam ser executados clìnica, com somente menor ou nenhumas mudanças.

Além do que potencial a diminuição da variabilidade do inter-médico e permitir comparações dos resultados nos ensaios clínicos, uma vantagem terciária do método é a velocidade e a eficiência que oferece. Toma um oncologista da radiação duas a quatro horas para determinar volumes clínicos do alvo. Em DM Anderson, este resultado é então par revisto por médicos adicionais para minimizar o risco de faltar a doença.

Usando o super-computador independente no centro de elaboração avançado Texas (TACC), podiam produzir volumes clínicos do alvo dentro sob uma acta. Treinar o sistema tomou a quantidade de tempo a mais longa, mas para essa etapa também, os recursos de TACC ajudados a acelerar significativamente a pesquisa.

“Se nós devíamos o fazer em nosso GPU local [unidade de processamento dos gráficos], tomaria dois meses,” Cardenas disse. “Mas nós podíamos parallelize o processo e fazer a optimização em cada paciente enviando aqueles trajectos a TACC e àquele é onde nós encontramos muitas vantagens usando o sistema de TACC.”

“Nos últimos anos, nós vimos uma explosão de projectos novos usando profundamente a aprendizagem em sistemas de TACC,” disse Joe Allen, um investigador associado em TACC. “É emocionante e cumprindo para que nós possam apoiar a pesquisa de Carlos, que é amarrada tão pròxima aos cuidados médicos reais.”

O projecto é pretendido especificamente ajudar os países baixo-e-médios da renda onde a experiência no contorno é mais rara, embora seja provável que as ferramentas igualmente serão úteis nos E.U.

Cardenas diz que tal ferramenta poderia igualmente extremamente beneficiar ensaios clínicos permitindo um a compara mais facilmente os resultados dos pacientes tratados nas duas instituições diferentes.

Falando sobre a integração profundamente da aprendizagem no cuidado do cancro, disse: “Eu penso que está indo mudar nosso campo. Alguns destes sistemas do recommender estão conseguindo ser muito bons e nós estamos começando ver os sistemas que podem fazer previsões com uma precisão mais alta do que alguns radiologistas podem. Eu espero que a tradução clínica destas ferramentas fornece médicos a informações adicionais que pode conduzir para melhorar tratamentos pacientes.”

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