Sztuczna inteligencja a spersonalizowana onkologia

W projekcie skupimy się na raku wątrobowokomórkowym, który pozostaje jednym z najpoważniejszych wyzwań w onkologii. Niemniej jednak modele, które opracujemy, będą tak przygotowywane, aby mogły znaleźć zastosowanie również w innych nowotworach jamy brzusznej. Wszystko po to, aby wesprzeć planowanie leczenia oraz uczynić je bardziej spersonalizowanym.

Projekt pod nazwą „Sztuczna inteligencja w prognozowaniu wyników leczenia nowotworów jamy brzusznej – wdrażanie metod uczenia maszynowego i głębokiego uczenia do kompleksowej analizy obrazów medycznych” realizowany w konsorcjum z Politechniką Warszawską oraz Duke University (USA) uzyskał finansowanie Narodowego Centrum Nauki w programie SONATINA.

Nowotwory jednym z największych wyzwań zdrowotnych

Co piąty człowiek na świecie w ciągu swojego życia zachoruje na raka. W Polsce każdego roku jest to ponad 170 tysięcy osób. Choroba to ogromne wyzwanie, nie tylko dla pacjentów, ale także dla systemu ochrony zdrowia, który musi ją jak najszybciej wykryć i zaplanować skuteczne leczenie. W diagnozie i terapii ogromną rolę odgrywa radiologia: to badania obrazowe, takie jak tomografia czy rezonans, często jako pierwsze sygnalizują problem i towarzyszą pacjentowi na każdym etapie leczenia.

Szczególnym przypadkiem nowotworów jest rak wątrobowokomórkowy – najczęstszy złośliwy nowotwór pierwotny wątroby i jeden z najgroźniejszych nowotworów jamy brzusznej. Jego leczenie jest skomplikowane, a przewidywanie wyników leczenia stanowi bardzo trudne zadanie. Każdy krok w kierunku lepszego prognozowania, precyzyjniejszego planowania terapii i bardziej spersonalizowanego leczenia oznacza realną różnicę dla losów tysięcy pacjentów.

Skuteczna walka z nowotworem zaczyna się od trafnej prognozy przebiegu choroby

Tradycyjne metody prognostyczne oparte głównie na prostych cechach guza, takich jak wielkość czy dynamika wzrostu, okazują się niewystarczające. A to dlatego, że często nie oddają rzeczywistego zróżnicowania pacjentów i ich choroby. U dwóch chorych o podobnych wymiarach guza przebieg nowotworu może być zupełnie inny – wpływ na to mają m.in. stan wątroby, obecność chorób współistniejących, podtyp biologiczny raka czy odpowiedź na wcześniejsze terapie. To sprawia, że prognozowanie przebiegu i skuteczności leczenia wymaga znacznie bardziej złożonego podejścia.

Rola nowoczesnych technik radiologicznych w walce z nowotworami

Rozwój nowoczesnych technik obrazowania, takich jak tomografia komputerowa (CT) i rezonans magnetyczny (MRI), dostarcza znacznie bogatszych danych diagnostycznych niż klasycznie wykorzystywanych przez radiologów. Innymi słowy duże ilości danych są dostępne, ale nie zawsze w pełni wykorzystywane – w praktyce klinicznej analizuje się zwykle tylko część informacji widocznych na obrazach. Tymczasem w strukturze, kształcie, unaczynieniu czy dynamice zmian guzów kryją się wskazówki, które mogą pomóc przewidzieć przebieg choroby i odpowiedź na leczenie. To oznacza, że odpowiednio zaawansowana analiza obrazów – na przykład z użyciem sztucznej inteligencji – może otworzyć nowy rozdział w spersonalizowanej onkologii.

Nowoczesne badania obrazowe nie ograniczają się dziś do „zdjęcia pacjenta”. Każde badanie CT czy MRI generuje setki przekrojów i miliony pikseli, z których każdy niesie informacje o strukturze, gęstości, unaczynieniu czy funkcji tkanek. Z tych obrazów można wydobywać dziesiątki, a nawet setki cech opisujących nowotwór: od prostych parametrów geometrycznych po złożone wskaźniki tekstury czy dynamiki kontrastowania.

W efekcie powstają ogromne i wielowymiarowe zbiory danych obrazowych, których analiza przekracza możliwości tradycyjnych metod statystycznych. Opracowanie takich zbiorów wymaga narzędzi zdolnych do wyłapywania subtelnych wzorców niewidocznych dla ludzkiego oka. Tu właśnie wkracza sztuczna inteligencja (AI). Nasz projekt ma na celu stworzenie nowej klasy modeli AI, które pozwolą przewidywać długoterminowe wyniki leczenia na podstawie zaawansowanej analizy obrazów CT i MRI. Modele będą brały pod uwagę nie tylko sam guz, ale także inne narządy jamy brzusznej, jak wątroba czy śledziona.

Dlaczego wykorzystanie AI to przełom w prognozowaniu?

Dotychczasowe algorytmy sztucznej inteligencji w onkologii koncentrowały się głównie na analizie samego guza – jego objętości czy kształtu. Tymczasem stan kliniczny pacjenta zależy także od funkcjonowania narządów sąsiednich oraz obecności chorób współistniejących. Z kolei choroby organów wewnętrznych często istotnie wpływają na morfologię tych organów w badaniach obrazowych, np. zmianę struktury narządu, co nie jest standardowo zawarte w opisach radiologicznych. Włączenie do analizy wielonarządowych cech obrazu pozwoli uchwycić tę złożoność i znacząco poprawić dokładność predykcji.

Nasz projekt zakłada połączenie dwóch podejść:

• głębokiego uczenia (ang. deep learning), które pozwala komputerowi nauczyć się, jak samodzielnie analizować dane poprzez rozpoznawanie wzorców i zależności. W naszym przypadku umożliwi szybką i automatyczną segmentację wielu obszarów zainteresowania (np. guzów czy organów wewnętrznych) w obrazach medycznych,
• uczenia maszynowego (ang. machine learning). To szersza kategoria metod analitycznych, które – na podstawie wcześniej zdefiniowanych cech wyodrębnionych z obrazów – budują modele prognostyczne. W odróżnieniu od głębokiego uczenia, które samodzielnie „wyciąga” cechy z danych, klasyczne uczenie maszynowe opiera się na parametrach wskazanych przez ekspertów (np. kształt, tekstura, dynamika kontrastowania guza). Na tej podstawie można przewidywać m.in. długość życia pacjentów czy czas wolny od progresji choroby.
  

Dzięki połączeniu obu tych podejść uda się ograniczyć konieczność czasochłonnej, manualnej segmentacji obrazów radiologicznych i pozyskać z nich zmienne obliczeniowe. Te ograniczenia od lat stanowią jedno z głównych wyzwań w radiomice – dziedzinie zajmującej się ilościowym wydobywaniem i analizą setek ukrytych cech z obrazów medycznych w celu lepszego zrozumienia biologii nowotworów i przewidywania ich przebiegu.

Sztuczna inteligencja a radiologia – foundation models

Przy tej okazji warto wspomnieć o wykorzystanych w tym projekcie tzw. foundation models –zaawansowanych algorytmach sztucznej inteligencji, które były trenowane na ogromnych i zróżnicowanych zbiorach danych. Dzięki zdolności do uczenia się uniwersalnych reprezentacji można z łatwością dostosowywać je do różnych zadań – od segmentacji po predykcję wyników leczenia. W radiologii oznacza to między innymi możliwość lepszej analizy rzadkich przypadków klinicznych czy precyzyjniejszej diagnostyki.

Podczas niedawnej wizyty na WUM prof. Maciej Mazurowski, kierujący Duke Center for Artificial Intelligence in Radiology, opowiedział między innymi o The Human Body Project, którego celem jest stworzenie kompleksowego foundation model dla całego ludzkiego ciała. Model ten w dużej mierze będzie wspierał rozwiązania testowane w naszym projekcie – więcej o tym na stronie internetowej: www.wum.edu.pl/nauka-nie-zwalnia.

Projekt, który pomoże lepiej zrozumieć i leczyć raka wątroby

Realizacja naszego projektu oferuje wiele korzyści. Przede wszystkim dla pacjentów i lekarzy, bo poprawi jakość predykcji przebiegu choroby i skuteczności leczenia, a także zmniejszy obciążenia radiologów dzięki automatyzacji analiz.

Co więcej, pozwoli on na rozwój otwartych zbiorów danych dla społeczności naukowej. A ponadto wzmocni współpracę międzynarodową i interdyscyplinarną – między lekarzami, informatykami i biologami.

Co ważne, obecny projekt stanowi doskonały wstęp do kolejnych inicjatyw badawczych.

Co zostanie zrobione?

Projekt obejmie trzy główne etapy:

1. Udoskonalenie modeli tomografii komputerowej dla raka wątrobowokomórkowego (HCC). Na podstawie zbiorów danych klinicznych UCK WUM zostaną opracowane modele predykcyjne wykorzystujące segmentację wielonarządową. Nowe predyktory obrazowe poszerzą dotychczas stosowany zestaw cech radiomicznych.
   
2. Zastosowanie metodologii w innym nowotworze jamy brzusznej. Aby sprawdzić uniwersalność podejścia, modele zostaną przetestowane w alternatywnym scenariuszu onkologicznym. Wykorzystane zostanie tu m.in. federated learning – nowoczesna metoda uczenia rozproszonego, umożliwiająca trenowanie algorytmów na danych z różnych ośrodków bez konieczności ich przesyłania. To rozwiązanie kluczowe w kontekście ochrony danych pacjentów i skalowalności badań. Partnerem na tym etapie jest Duke University (USA) – światowy lider w dziedzinie AI w radiologii.
   
3. Stworzenie unikatowego zbioru danych MRI dla pacjentów z rakiem wątrobokomórkowym. Rezonans magnetyczny ze względu na wysoką rozdzielczość tkankową jest złotym standardem w diagnostyce pierwotnego raka wątroby. Jednak publicznie dostępne zbiory obrazów z rezonansu magnetycznego i obrazów raka wątrobokomórkowego są niezwykle ograniczone. Dzięki zasobom jednego z największych ośrodków hepatologicznych w Europie stworzymy zestaw danych, opierając się na ustandaryzowanym protokole obrazowania. Udostępnienie takiego zbioru otworzy drogę do globalnych badań nad AI w raku wątrobowokomórkowym.

Siła współpracy między specjalistami medycyny i ekspertami nowych technologii

SONATINA będzie realizowana we współpracy z Duke University oraz nowo powstałym Centrum Wiarygodnej Sztucznej Inteligencji (Centre for Credible AI – CCAI) na Politechnice Warszawskiej. Centrum to ogólnouczelniana jednostka, która rozwija i wdraża rozwiązania AI zapewniające bezpieczeństwo, przejrzystość i niezawodność.

CCAI działa na styku informatyki, matematyki oraz medycyny i stawia sobie ambitne cele: tworzenie systemów AI, które można zrozumieć, zweryfikować i kontrolować, opracowywanie standardów oraz wspieranie kształcenia nowej generacji specjalistów od sztucznej inteligencji.

Synergia badań radiologicznych WUM, doświadczenia Duke University i infrastruktury CCAI otwiera drogę do projektów o jeszcze większym zasięgu – zarówno naukowym, jak i klinicznym. Zespół już pracuje nad kolejnymi wnioskami grantowymi, które mają umocnić Polskę na mapie światowych badań nad wykorzystaniem AI w medycynie.

Oprócz Politechniki Warszawskiej i Duke University należy wspomnieć o ogromnym znaczeniu pracy zespołowej. Projekty takie nie byłyby możliwe, gdyby nie zaangażowanie radiologów, techników i pielęgniarek z II Zakładu Radiologii WUM. Niezwykle istotna jest też nieodłączna współpraca z chirurgami, neurochirurgami, genetykami, patologami, onkologami i wieloma innymi specjalistami. Ponieważ tylko działając zespołowo, możemy odnieść sukces.

Tekst dr. Krzysztofa Bartnika z II Zakładu Radiologii Klinicznej Warszawskiego Uniwersytetu Medycznego.

Czy AI pogarsza umiejętności lekarzy?Po kilku miesiącach korzystania ze sztucznej inteligencji skuteczność diagnostyczna endoskopistów, wykonujących kolonoskopię, podczas badań przeprowadzanych bez tego wsparcia była niższa niż przed pomocy technologii.

Przeczytaj także: „Sztuczna inteligencja kontra naturalna” i „Więcej niż ChatGPT”.