MIT研发AI模型提升胰腺癌早期检测准确率

您的关注是对我最大的支持

『 AI每日快讯 欢迎大家转载、引用、分享，让更多人了解AI，学习AI 』

本公众号后续会开放几波龙年红包封面，关注我，红包封面你拥有，如果没抢到也没关系，发消息许愿告诉我你想要什么样的红包封面，我统计以后按照愿望数排名再制作

【九宫格】差两个后面再做

麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）的研究人员开发了先进的机器学习模型，这些模型在检测胰腺导管腺癌方面优于当前方法。

第一个记载的胰腺癌案例可以追溯到18世纪。从那时起，研究人员开始了漫长而艰难的探索之旅，以理解这种难以捉摸且致命的疾病。到目前为止，早期干预仍是最好的癌症治疗方法。不幸的是，胰腺深藏在腹部，特别难以早期发现。

MIT计算机科学与人工智能实验室的科学家们与贝斯以色列女执事医疗中心（BIDMC）放射肿瘤科的科研人员利默·阿佩尔鲍姆一起，渴望更好地识别潜在的高风险患者。他们着手开发了两种机器学习模型，用于早期检测胰腺导管腺癌（PDAC），这是最常见的癌症形式。为了获得广泛和多样化的数据库，团队与一个联合网络公司合作，使用来自美国各机构的电子健康记录数据。这一大量数据有助于确保模型的可靠性和普遍性，使其适用于不同的人群、地理位置和人口群体。

两种模型——“PRISM”神经网络和逻辑回归模型（一种用于概率的统计技术），均优于当前方法。团队的比较显示，尽管标准筛查标准使用五倍更高的相对风险阈值识别约10%的PDAC病例，但Prism可以在同一阈值下检测到35%的PDAC病例。

使用AI检测癌症风险并非新现象——算法分析乳房X光片、CT扫描肺癌，并协助分析巴氏涂片测试和HPV测试，等等。麻省理工学院电子工程与计算机科学（EECS）的博士生、MIT CSAIL成员、并且是eBioMedicine上一篇开放获取论文的第一作者凯·贾表示：“PRISM模型之所以突出，是因为它们是在超过500万病患的庞大数据库上进行开发和验证的，这超出了该领域大多数先前研究的规模。该模型使用常规的临床和实验室数据进行预测，而美国人口的多样性是该模型相较于其他PDAC模型的重大进步，后者通常局限于特定地理区域，如美国的几个医疗中心。此外，训练过程中使用了独特的正则化技术，增强了模型的普遍性和可解释性。”

“这份报告概述了一个强大的方法，使用大数据和人工智能算法来改进我们识别癌症风险概况的方法，”哈佛医学院教授、BIDMC癌症中心主任和血液与血液恶性肿瘤科主任戴维·阿维甘说，他并未参与这项研究。“这种方法可能导致识别高恶性肿瘤风险的患者的新策略，这些患者可能会受益于重点筛查，从而有可能早期干预。”

棱镜视角

PRISM的开发之旅始于六年多前，起因于对当前诊断实践局限性的亲身体验。“大约80-85%的胰腺癌患者在晚期被诊断，治愈已不再是一个选项，”资深作者阿佩尔鲍姆说，她还是哈佛医学院的讲师和放射肿瘤学家。“这种临床上的挫败感激发了我们深入挖掘电子健康记录（EHR）中可用数据的想法。”

CSAIL小组与阿佩尔鲍姆的紧密合作使得他们能够更好地理解问题的医学和机器学习方面，最终导致了一个更准确、更透明的模型。“我们的假设是这些记录包含了隐藏的线索——微妙的征兆和症状，可能是胰腺癌的早期警告信号，”她补充说。“这指导了我们使用联合EHR网络来开发这些模型，实现在医疗保健中部署风险预测工具的可扩展方法。”

PrismNN和PrismLR模型分析EHR数据，包括患者人口统计信息、诊断、药物和实验室结果，以评估PDAC风险。PrismNN使用人工神经网络检测数据特征（如年龄、病史和实验室结果）中的复杂模式，为PDAC可能性提供风险评分。PrismLR使用逻辑回归进行更简单的分析，根据这些特征生成PDAC的概率评分。这两个模型共同提供了从同一EHR数据预测PDAC风险的不同方法的全面评估。

团队指出，要赢得医生的信任，一个至关重要的点是更好地理解模型的工作原理，这在该领域被称为可解释性。科学家们指出，虽然逻辑回归模型本质上更易于解释，但最近的进展使得深度神经网络在某种程度上更加透明。这帮助团队从单个病人的EHR中提取的成千上万个潜在预测特征，精简到大约85个关键指标。这些指标包括患者年龄、糖尿病诊断和访问医生的频率增加，它们是由模型自动发现的，但与医生对胰腺癌风险因素的理解相匹配。

前进的道路

尽管PRISM模型充满希望，但像所有研究一样，它仍有待完善。目前，模型仅以美国数据为主，需要进行测试和调整以适应全球使用。团队指出，未来的发展方向包括扩大模型在国际数据集上的适用性，并整合更多生物标志物以进行更精细的风险评估。

贾（Jia）表示：“我们接下来的目标是促进这些模型在常规医疗环境中的实施。我们的愿景是让这些模型在医疗系统的后台无缝运行，自动分析患者数据，并在不增加医生工作量的情况下，向医生发出高风险病例的警报。”他说：“与电子健康记录（EHR）系统集成的机器学习模型可以让医生对高风险患者及时发出早期警报，可能在症状显现之前就实施干预措施。我们渴望将我们的技术部署到现实世界中，帮助所有人享有更长久、更健康的生活。”

这篇论文是由贾、苹果鲍姆（Applebaum）和麻省理工学院电子工程与计算机科学（EECS）教授兼计算机科学与人工智能实验室（CSAIL）首席研究员马丁·里纳德（Martin Rinard）共同撰写的，他们是论文的共同高级作者。论文的研究人员在麻省理工学院CSAIL的工作期间得到了国防高级研究计划局（Defense Advanced Research Projects Agency）、波音公司（Boeing）、国家科学基金会（National Science Foundation）和阿诺实验室（Aarno Labs）的部分支持。TriNetX为该项目提供了资源，预防癌症基金会（Prevent Cancer Foundation）也支持了团队。

关注我，每天领取AI领域最新大事

设置⭐️标不迷路

转发朋友圈为您朋友播报每日AI大事

进交流群请扫下面码

1. 
   
9. 
   

10. 作用

您的关注是对我最大的支持