Descoperirile, publicate în revista Nature Medicine, provin din proiectul I³LUNG, un efort internațional de a dezvolta un sistem AI de susținere a deciziilor medicale pentru imunoterapia în cancerul pulmonar cu celule non-mici. Studiul a inclus 2.396 de pacienți cu boală în stadiile IIIC până la IVB, tratați în șase centre din șase țări. Cercetătorii au integrat măsurători clinice și de sânge alături de imagistica CT, patologia digitală și informațiile genomice în modele de învățare automată și învățare profundă.
Una dintre descoperirile cele mai importante ale studiului a fost că informații relativ simple deja colectate în mod obișnuit în practica clinică aveau o putere predictivă semnificativă.
Modelele folosind date clinice și de sânge, inclusiv expresia PD-L1, starea de performanță ECOG, statusul de fumător, situsurile metastatice, raportul neutrofile-limfocite și lactat dehidrogenaza, au atins valori de arie sub curbă de până la 0,77 în setul de testare independent.
Modelele AI au depășit semnificativ predictorii individuali, inclusiv PD-L1, starea de performanță ECOG, raportul neutrofile-limfocite, lactat dehidrogenaza și Indexul Prognostic Imun Pulmonar. PD-L1 rămâne principalul biomarker clinic aprobat folosit pentru a ghida deciziile de imunoterapie în cancerul pulmonar cu celule non-mici, în ciuda capacității sale limitate de a distinge cu precizie pacienții care vor avea beneficii durabile.
Cercetătorii au testat și dacă furnizarea medicilor a predicțiilor AI ar putea îmbunătăți luarea deciziilor clinice în loc să compare doar performanța algoritmică cu biomarkerii convenționali.
Douăzeci de medici, inclusiv 10 experți în cancer pulmonar și 10 non-experți, au evaluat cazuri reale de pacienți înainte și după ce au primit predicții de la model împreună cu explicații care arată ce caracteristici au contribuit la concluziile acestuia.
Pentru prezicerea controlului bolii, sensibilitatea a crescut de la 0,72 fără asistență AI la 0,87 cu instrumentul AI explicabil, în timp ce acuratețea generală a crescut de la 0,57 la 0,65. Atât specialiștii în cancerul pulmonar, cât și non-experții au arătat îmbunătățiri. Acordul între cele două grupuri a crescut, de asemenea, după introducerea suportului AI.
Descoperirile sugerează că explicabilitatea poate fi importantă pentru a transforma algoritmii predictivi în instrumente clinice, permițând medicilor să examineze factorii care stau la baza unei predicții individuale în loc să primească un scor de risc neexplicat.
I³LUNG a testat, de asemenea, dacă combinarea informațiilor clinice cu imagistica CT, patologia digitală și datele genomice ar putea îmbunătăți în continuare prezicerea.
Unele modele de învățare automată multimodale au arătat îmbunătățiri semnificative în timpul validării încrucișate, în special în subgrupurile de pacienți selectate. Cu toate acestea, aceste câștiguri nu au fost reproduse consecvent în testarea independentă sau în validarea externă.
Sursa: Inside Precision Medicine
Leave a Reply