ИИ поможет победить глиобластому | iot.ru Новости Интернета вещей
 /  ИИ поможет победить глиобластому
92.59 € 100.2

ИИ поможет победить глиобластому

Система машинного обучения определяет наименьшие, но эффективные терапевтические дозы, которые помогут в борьбе с опухолями головного мозга и при этом нанесут минимальный вред пациенту.

Эффективное лечение с минимальной интоксикацией

Исследователи из Массачусетского технологического института (MIT, Massachusetts Institute of Technology) используют новые методы машинного обучения для улучшения состояния пациентов с глиобластомой – самой агрессивной формы рака мозга.

Глиобластома – это злокачественная опухоль в головном или спинном мозге. Прогноз для взрослых людей, которым поставлен такой диагноз – не более пяти лет активной жизни. Пациенты должны проходить регулярное лечение лучевой терапией и сильнодействующими лекарствами. Прием мощных фармацевтических препаратов по-прежнему оказывает пагубные побочные эффекты на организм.

«Мы помогаем пациентам уменьшить размеры опухоли и при этом повысить качество жизни за счет снижения негативного воздействия на организм химио- и лучевой терапии на организм», – рассказал Пратик Шах (Pratik Shah), ответственный исследователь Media Lab, который возглавлял проект.

Исследователи MIT Media Lab подробно описывают модель, которая может сделать схемы лечения менее токсичными, но при этом эффективными. На конференции Machine Learning for Healthcare 2018, проходившей на базе Стэнфордского университета, они представили статью с описанием методики.

Модель с методикой самообучения анализирует традиционные схемы лечения и итерационно корректирует дозы. В результате система составляет оптимальный план терапии с наименьшими негативными последствиями для здоровья и частотой доз, эффективно уменьшающей размеры опухолей (как при традиционном лечении).

Модель машинного обучения разработала циклы лечения на основе данных 50 историй болезней. Системе удалось на четверть или вполовину сократить дозировку препаратов у каждого пациента, сохраняя стабильный потенциал уменьшения опухоли. Во многих случаях программа предписывала отказ от регулярного приема лекарств и назначила терапию только два раза в год вместо ежемесячного лечения.

Награда за верный выбор

Модель исследователей использует метод усиленного обучения (reinforced learning, RL), основанный на поведенческой психологии. В заданных условиях программа обучалась одобрять определенное поведение «агента», которое приводило к желаемому результату.
Задача традиционных моделей RL – это работа с одним результатом (таким как выигрыш в игре) и совершение любых действий, которые его максимизируют. Модель, разработанная исследователями, при каждом действии демонстрирует гибкость. Подбор дозировки обеспечивает идеальный баланс между снижением диаметра опухоли и низкой токсичностью, но не приводит к максимальному сокращению размера злокачественного новообразования.
Эта технология включает в себя ИИ «агенты», которые завершают «действия» в непредсказуемой сложной среде, чтобы достичь желаемого «результата». Всякий раз, когда действие завершается, «агент» получает «вознаграждение» или «штраф», в случае, если необходимый результат не получен. Затем «агент» корректирует свои действия для достижения заданного результата.

В качестве «вознаграждения» и «штрафа» выступают положительные и отрицательные числа (например, +1 или -1). Их значения, помимо других факторов, варьируются в зависимости от предпринятых действий, вычисленных по вероятности успеха или неудачи. По существу, агент пытается «количественно» оптимизировать все действия на основе показателей вознаграждения и штрафа, чтобы получить максимальный балл.

Этот подход был использован для обучения компьютерной программы DeepMind. В 2016 году ПО превзошло одного из лучших игроков мира в компьютерной игре «Go». Подход также применяется для обучения управлению беспилотных автомобилей (выбор подходящей полосы движения или автопарковки, когда задействуются технологии самообучения). Исследователи адаптировали модель RL для лечения глиобластомы комбинацией препаратов темозоломида и прокарбазина, ломустина и винкристина.

Программа использует традиционные методы лечения. Эти схемы основаны на стандартах, подтвержденными на протяжении десятилетий различными клиническими испытаниями на животных. Онкологи используют эти стандарты, чтобы подбирать дозировку препаратов в зависимости от веса. Модель исследует схему, согласно которой интервал приема препаратов, к примеру, предусмотрен один раз в месяц. Программа совершает одно из нескольких действий: либо инициирует новую дозировку, либо останавливает прием.

При назначении нового приема модель выбирает: использовать всю дозу или только часть химиотерапии. При каждом действии она сверяется с другой клинической моделью, часто используемую для прогнозирования изменения размера опухоли в ответ на лечение. Если диаметр опухоли уменьшается, то модель получала вознаграждение.

Исследователи должны были убедиться, что модель не просто распределяет максимальное количество и эффективность доз. Всякий раз, когда программа решала назначить полную дозировку, ей назначался штраф, а объем лекарств приходилось сокращать.

«Нам нужно уменьшить вредный характер действий, требуемых для достижения результата. Если модель не контролировать, то она будет назначать препараты безответственно. Эта «оригинальная» модель RL оценивает потенциальные негативные последствия действий (доз) пропорционально результату (уменьшение опухоли)», – рассказал Шах.

Оптимальные схемы лечения

Исследователи обучали модель на 50 историях болезни из большой базы данных пациентов с глиобластомой, которые ранее проходили лечение с применением традиционных методов. Для каждого пациента модель  путем проб и ошибок проводила около 20 тыс. испытаний.

Как только обучение было завершено, модель анализировала параметры для оптимальных режимов. При добавлении в базу «новых пациентов» и с учетом их индивидуальных особенностей модель использовала указанные параметры для назначения лечения. Затем специалисты протестировали модель на 50 новых пациентах и сравнили данные с результатами традиционного режима лечения с использованием как темозоломида, так и винкристина. Не получив штрафа за дозировку модель разработала почти идентичные схемы для исследователей.

«Традиционно одна и та же схема лечения применялась к группам пациентов, но различия в размерах опухоли, историях болезни, генетических профилях и биомаркерах могут скорректировать подход к пациенту. Эти переменные не учитываются при стандартных клинических испытаниях и других методах лечения, что зачастую приводит к негативной реакции на терапию в больших группах», – говорит Шах.

Разработка может заинтересовать Управление по санитарному надзору за качеством пищевых продуктов и медикаментов при Министерстве здравоохранения и социальных служб США (FDA, Food and Drug Administration). В последнее время ведомство внимательно следит за возможностями применения данных и ИИ в медицинской сфере.
Подписаться на новости Обсудить

Назад

Комментарии

Текст сообщения*
Защита от автоматических сообщений