Raport IHE. Cancerul în Europa: utilizarea inteligenței artificiale și algoritmilor de învățare automată. Ce rol au acestea în practica medicală?
Cantitatea de date provenite de la pacienți este în creștere, pe de o parte facilitând utilizarea algoritmilor de Inteligență Artificială (AI), iar pe de altă parte, crescând nevoia unei astfel de abordări. Utilizarea AI a demonstrat rezultate foarte bune în practica medicală prin analiza imagistică și dezvoltarea de noi medicamente. Recent, o moleculă terapeutică pentru tulburarea obsesiv-compulsivă a intrat în faza I de studiu clinic. De ce este această moleculă atât de specială? Deoarece este prima moleculă care a fost descoperită cu ajutorul AI și care intră în studiu clinic uman. Faza exploratorie pentru identificarea ei a durat mai puțin de 12 luni.
Utilizarea AI are capacitatea de a îmbunătăți calitatea actului medical, în timp devenind chiar o metodă cost-eficientă. Unul dintre cele mai potrivite locuri pentru algoritmii de Inteligență Artificială este alături de clinicieni, reducându-le acestora presiunea asociată stabilirii unui diagnostic prin oferirea unei game diagnostice posibile, create pe baza datelor furnizate.
Dar înainte ca AI să pătrundă în practica medicală uzuală, este nevoie ca eficiența acestor algoritmi să fie riguros validată, mai ales când vine vorba de diagnostic, dar și din perspectiva confidențialității și securității datelor.
Conform Comparator Report on Cancer in Europe 2019, în oncologie, învățarea automată (machine learning) și inteligența artificială și-au stabilit un rol important: diagnosticarea neoplasmelor prin analiza imagistică în anatomopatologia digitală și în radiologie. Scopul raportului, realizat de către IHE (The Swedish Institute for Health Economics) este de a oferi decidenților o imagine clară asupra situației cancerului, cu toate instrumentele care sunt utilizate actual în jurul acestei boli, la nivel european, astfel încât să faciliteze crearea unor planuri și acțiuni pentru a reduce povara bolii.
AI în imagistica oncologică
Un exemplu pozitiv în aplicarea AI provine din diagnosticarea melanomului din imaginile furnizate, situație în care performanța sistemului a fost asemănătoare cu cea a medicilor în anumite studii, iar în altele, a depășit-o. În radiologie, învățarea automată a fost utilizată cu succes în interpretarea mamografiilor și radiografiilor toracice.
Conform unui studiu publicat în revista Nature, Google propune un sistem pe bază de inteligență artificială care poate detecta cancerul de sân cu o acuratețe asemănătoare specialiștilor, prin scanarea mamografiilor pacientelor. Mai mult decât atât, comparativ cu interpretările radiologilor, software-ul a scăzut proporția de rezultate fals pozitive cu 5,7% și de fals negative cu 9,4%.
Tot compania Google a dezvoltat un algoritm AI care poate depista cancerul de sân metastatic cu o precizie de 99%, iar software-ul este capabil să identifice atât locația exactă a tumorii, cât și a altor regiuni cu suspiciune tumorală.
În anatomopatologia digitală, AI a demonstrat o detecție precisă a frecvenței mitozelor în țesut și o caracterizare precisă a elementelor care țin de stromă, țesutul peritumoral și structura nucleară a celulelor tumorale, clasificând cu acuratețe țesuturile. De asemenea, învățarea automată a fost utilizată pentru a identifica anumite caracteristici moleculare și genomice, precum mutațiile în cancerul pulmonar, statusul MSI și statusul ER.
AI în dezvoltarea de noi molecule
În oncologie, dezvoltarea de noi medicamente este anevoioasă, consumă atât resurse financiare, cât și timp. În plus, deși s-au înregistrat îmbunătățiri majore în ceea ce privește înțelegerea biologiei cancerului, ratele de succes ale descoperirii de noi molecule sunt încă sub 10%. Așadar, luând în calcul durata mare de timp și rata de reușită scăzută, interesul în utilizarea algoritmilor de învățare automată pentru accelerarea a cât mai multe etape din procesul de dezvoltare a noilor terapii este din ce în ce mai mare.
Actual, AI este aplicată la aproape toate stadiile descoperirii, dar și dezvoltării unui medicament. În identificarea de molecule eficiente, este utilizată pentru validarea țintei terapeutice, bazându-se pe componenta genetică a bolii și modele de predicție asupra unor posibile ținte terapeutice.
În depistarea precoce a unei molecule terapeutice și identificarea unor compuși cu potențial curativ, AI este utilizată în crearea designului noii molecule și într-o tehnică denumită „ligand-based compound screening” (depistarea compușilor în funcție de ligand). Există două etape de bază în descoperirea de noi molecule: prima etapă presupune identificarea țintei terapeutice și a unor compuși hit (țintă), care mai departe vor fi selecționați și vor rămâne sub formă de lead (compuși pe baza cărora se vor efectua viitoarele teste).
Abordarea de screening virtual a fost utilizată pe scară largă în procesul de descoperire a medicamentelor pentru identificarea lead, optimizarea lead și scaffold hopping (o procedură care permite trecerea de la o structură moleculară cunoscută, la una nouă). Acesta oferă o alternativă ieftină și rapidă la depistarea de mare viteză pentru descoperirea de noi medicamente.
Metodele de selecție virtuală care se bazează pe selecționarea de liganzi folosesc informațiile prezente în liganzii activi cunoscuți, mai degrabă decât în structura unei proteine țintă, atât pentru identificarea lead, cât și pentru optimizarea acestora. Metodele bazate pe identificarea ligandului sunt alese atunci când nu este disponibilă o structură 3D a proteinei țintă. În practică, fără a se cunoaște structura proteinei pentru ținta de interes, de multe ori se știe că un set de liganzi este activ față de ținta de interes. Ca atare, se pot utiliza abordări virtuale, adică găsirea de noi liganzi prin evaluarea asemănării dintre liganzii candidați și compușii activi cunoscuți.
O metodă de calcul bazată pe ligand implică două elemente esențiale: o măsurare eficientă a similarității și o metodă potrivită de oferire a unui scor. În plus, metoda de calcul ar trebui să poată ecraniza un număr mare de liganzi potențiali cu o precizie și o viteză rezonabile. Și aici intervine rolul algoritmilor de inteligență artificială, care dacă sunt antrenați pe suficient de multe date de calitate, au capacitatea de a oferi rezultate rapid și cu precizie, sărind peste ani de căutări ale unor structuri posibile.
În dezvoltarea preclinică a unui medicament, AI este utilizată pentru identificarea de biomarkeri și predicția obiectivelor clinice finale. Și acesta este doar începutul utilizării AI. În perioada următoare, tehnicile de machine learning își vor face apariția în tot mai multe domenii și faze ale medicinei.
Aplicarea AI în imagistica radiologică, în dermatoscopia digitală și în anatomopatologia digitală va conduce la standardizarea și eficiența crescută a acestor practici. Și, cel mai important, utilizarea unei astfel de tehnici auxiliare va lua o parte din povara pe care medicul o resimte la un volum mare de muncă, atunci când diagnosticul trebuie pus cât mai rapid și cu cea mai mare precizie.
AI în managementul datelor provenite de la wearables
Pe de altă parte, AI și-a făcut loc și în industria tehnologiilor care pot fi purtate de către oameni în viața de zi cu zi (wearables), precum ceasurile inteligente, ochelarii inteligenți sau alte accesorii. Datele culese de acestea pot fi o resursă importantă asupra stării de sănătate a purtătorului, constituind o unealtă de prevenție valoroasă.
În IHE Report, se consideră că una dintre cele mai importante avansuri ale tehnologiei medicale va fi descoperirea unei metode de a conecta toate părțile AI existente deja: date genomice, anatamopatologie digitală, imagistică, date despre starea de sănătate și dispozitivele wearables. Majora provocare este însă interoperabilitatea bazelor de date. Mai multe agenții dedicate solicită și fac eforturi pentru ca datele culese să urmeze aceleași standarde și specificații, tocmai pentru a putea fi utilizate de cât mai multe dispozitive. În acest sens, la ASCO 2019 a fost lansat un ghid despre cum ar trebui culese și înregistrate datele medicale, iar Asociatia Consumatorilor de Tehnologie (Consumer Technology Association) și Societatea Heart Rhythm (HRS) au creat și lansat un ghid de sănătate digitală, singurul de acest fel lansat până acum, care recomandă cele mai bune practici pentru utilizarea wearables în gestionarea sănătății personale, inclusiv detectarea și monitorizarea biometriei cardiovasculare.
Pe de altă parte, Comisia Europeană consideră de o importanță majoră crearea unui spațiu european în care să poată fi stocate date și schimbate în mod sigur între specialiști și cercetători.
„Tehnologiile inovatoare și BigData pot ajuta la crearea de noi căi de prevenție, diagnostic și tratament. Sunt determinată să folosesc acest potențial și să maximizez rezultatele sale. Cancerul este persistent, este adevărat, dar la fel suntem și noi și la fel este și știința. […] Crearea European Health Data Space poate promova schimbul de date și susține noile cercetări”, a declarat Stella Kyriakides, comisarul european pentru sănătate, în cadrul evenimentului de lansare a Planului european pentru cancer.
O altă problemă cu care se va confrunta implementarea AI în cât mai multe domenii este securitatea datelor. Dacă în industrie, datele utilizate nu dezvăluie aspecte despre viața sau sănătatea unui pacient, în domeniul sănătății lucrurile stau diferit. Astfel că, este nevoie de găsirea celei mai bune soluții pentru siguranța datelor folosite, dar și de identificarea celei mai bune metode pentru gestionarea acestora.
Există multe provocări în ceea ce privește utilizarea eficientă a inteligenței artificiale în domeniul oncologic, însă având în vedere evoluția de care beneficiază acest domeniu, barierele vor fi înfrânte cu siguranță în următorii ani.
Citește și:
- Raport IHE. Progrese în diagnosticul cancerului: cum au schimbat testarea genomică și biomarkerii standardul european?
- Raport IHE. Cancerul în Europa: care este situația programelor de screening la nivel european și ce măsuri pot fi luate pentru îmbunătățirea lor?
- Raport IHE. Povara economică a cancerului: costurile directe au crescut cu 98% din 1995 până în 2018, în UE. România alocă cea mai mică sumă pe cap de locuitor