Штучний інтелект може допомогти хворим на рак почати променеву терапію раніше і тим самим зменшити ймовірність поширення раку, миттєво переводячи складні клінічні дані в оптимальний план атаки..

Пацієнти, як правило, повинні чекати від кількох днів до тижня, щоб розпочати терапію, доки лікарі вручну розробляють плани лікування. Але нове дослідження UT Southwestern показує, як удосконалені моделі глибокого навчання спростили цей процес до частки секунди..

«Декому з цих пацієнтів потрібна негайна променева терапія, але лікарям часто доводиться просити їх піти додому і почекати», – каже доктор філософії Стів Цзян, керуючий лабораторією медичного штучного інтелекту та автоматизації (MAIA) UT Southwestern. «Досягнення оптимальних планів лікування в режимі, близькому до реального часу, важливе і є частиною нашої ширшої місії використовувати ІІ для покращення всіх аспектів лікування раку».

Променева терапія є поширеною формою лікування раку, яка використовує промені високої радіації, щоб зруйнувати ракові клітини та зменшити пухлини.. Попередні дослідження показують, що відстрочення цієї терапії навіть на тиждень може збільшити ймовірність повторення або поширення деяких видів раку на 12-14 відсотків..

Така статистика спонукала команду Цзяна вивчити методи використання ІІ для покращення кількох аспектів променевої терапії – від початкових планів дозування, необхідних до початку лікування, до перерахунків дози, які відбуваються під час виконання плану.

Цзян розповідає, що розробка складного плану лікування може бути трудомістким та стомлюючим процесом, який включає ретельний аналіз даних візуалізації пацієнта та кілька етапів зворотного зв'язку у медичній бригаді..

Нове дослідження лабораторії MAIA з прогнозування дози, опубліковане в Medical Physics, продемонструвало здатність ІІ складати оптимальні плани лікування протягом п'яти сотих секунд після отримання клінічних даних для пацієнтів.

Вчені навчили ІІ миттєво генерувати тривимірні зображення того, як найкраще розподілити променеву терапію для хворих на рак. Технологія може дозволити пацієнтам розпочати лікування раніше, тим самим зменшуючи ймовірність поширення раку..

Дослідники досягли цього шляхом подання даних для 70 пацієнтів з раком простати у чотири моделі глибокого навчання. Завдяки повторенню ІІ навчився розробляти тривимірні зображення того, як найкраще розподілити випромінювання у кожного пацієнта. Кожна модель точно передбачала плани лікування, розроблені медичною командою.

Дослідження засноване на інших роботах MAIA, опублікованих у 2019 році, які зосереджені на розробці планів лікування раку легень та голови та шиї..

«Наш ІІ може вирізати багато з того, що відбувається між лікарем та фахівцем з дозування», – каже Цзян. «Це значно підвищує ефективність».

Друге нове дослідження Цзяна, також опубліковане в «Медичній фізиці», показує, як ІІ може швидко і точно перерахувати дози перед кожним сеансом опромінення, зважаючи на те, як анатомія пацієнта могла змінитися з моменту останньої терапії.. Звичайний точний перерахунок іноді вимагає, щоб пацієнти чекали 10 хвилин або більше, крім часу, необхідного для проведення анатомічної візуалізації перед кожним сеансом.

Дослідники Цзяна розробили алгоритм штучного інтелекту, який об'єднав дві традиційні моделі, які використовувалися для розрахунку дози: просту, швидку модель, якої не вистачало точності, та складну модель, яка була точною, але вимагала набагато тривалішого часу, часто близько півгодини.

Нещодавно розроблений ІІ оцінив різницю між моделями – на основі даних від 70 пацієнтів з раком простати – і дізнався, як використовувати швидкість та точність для генерації розрахунків протягом однієї секунди.

UT Southwestern планує використовувати нові можливості штучного інтелекту у клінічній допомозі після впровадження інтерфейсу пацієнта. Тим часом, MAIA Lab розробляє інструменти глибокого навчання для кількох інших цілей, у тому числі для покращення медичної візуалізації та обробки зображень, автоматизованих медичних процедур та покращення діагностики захворювань та прогнозування результатів лікування.

med-heal. ru.