Developing Multimodal Artificial Intelligence-Based Tool for Enhancing Clinical Decision- Making in Personalised Prostate Cancer Treatment
Diese retrospektive Studie entwickelte und evaluierte ein multimodales KI-basiertes klinisches Entscheidungsunterstützungssystem, das demografische, klinische, genomische und bildgebende Daten integriert, um die personalisierte Prognose der Prostatakrebsbehandlung in Brunei zu verbessern, wobei nachgewiesen wurde, dass eine hybride LSTM–Random-Forest-Architektur mit Late-Stage-Fusion trotz Einschränkungen aufgrund der geringen Stichprobengröße eine robuste Leistung (AUC 0,964) erzielte.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, ein riesiges, komplexes Puzzle zu lösen, aber anstelle von Puzzleteilen haben Sie eine Mischung aus verschiedenen Hinweisen: das Alter eines Patienten, die Familiengeschichte, eine Serie von Bluttestergebnissen, die sich im Laufe der Zeit verändern, und sogar 3D-Scans seines Körpers. Dies ist die Welt der Präzisionsonkologie, ein Fachgebiet der Medizin, das versucht, die Behandlung nicht mehr für jeden Patienten auf die gleiche Weise durchzuführen. Anstatt eines „Einheitsansatzes“ wollen Ärzte die Behandlungen individuell auf die spezifische Person abstimmen, die vor ihnen steht. Um dies zu erreichen, nutzen sie Künstliche Intelligenz (KI), was im Grunde ein superintelligentes Computerprogramm ist, das in der Lage ist, Muster in riesigen Datenbergen zu erkennen, die dem menschlichen Auge entgehen könnten. Wenn diese KI nur eine Art von Hinweis betrachtet (wie zum Beispiel nur Bluttests), nennt man das „unimodal“. Wenn sie jedoch alles gleichzeitig betrachtet – Blut, Scans, Vorgeschichte und Zeit – nennt man das multimodal. Die große Frage, die sich Forscher stellen, ist: Können wir ein Computertool bauen, das wie ein hilfreicher Gehilfe für Ärzte fungiert und all diese verschiedenen Hinweise kombiniert, um die beste Behandlung für Prostatakrebs vorzuschlagen, eine häufige Krankheit, die viele Männer betrifft?
Genau das wollten Forscher aus Brunei Darussalam und Irland erreichen. Sie entwickelten einen neuen Typ digitaler Assistenten, ein Clinical Decision Support System (KI-CDSS), das speziell für Prostatakrebs-Patienten konzipiert wurde. Stellen Sie sich dies als einen „Super-Detektiv“ vor, der nicht nur eine einzelne Momentaufnahme der Gesundheit eines Patienten betrachtet, sondern die Geschichte seiner Gesundheit über die Zeit hinweg verfolgt. Die Forscher sammelten Daten von 212 Patienten, die zwischen 2018 und 2024 behandelt wurden. Sie betrachteten nicht nur statische Fakten; sie fütterten die KI mit einem „Film“ der Reise jedes Patienten, einschließlich der Art und Weise, wie sich seine Blutmarker (wie PSA-Werte) über Monate hinweg auf und ab bewegten, zusammen mit seinen genetischen Profilen und 3D-Körper-Scans (speziell PSMA-PET/CT-Scans).
Das Team probierte viele verschiedene Wege aus, um die KI zu lehren. Zuerst ließen sie den Computer versuchen, auf eigene Faust natürliche Patientengruppen zu finden, ohne ihm die Antwort zu verraten (unüberwachtes Lernen), aber die Gruppen waren etwas unordentlich, hauptsächlich weil es nicht genug Patienten gab, um klare Muster zu erzeugen. Also wechselten sie dazu, die KI mit bereits vorliegenden Antworten zu unterrichten (überwachtes Lernen). Sie bauten ein spezielles Hybridmodell, das wie ein zweiteiliges Team funktionierte: Ein Teil war ein Long Short-Term Memory (LSTM)-Netzwerk, das sehr gut darin ist, Sequenzen und Geschichten zu erinnern (wie etwa die Verfolgung, wie sich die Bluttests eines Patienten über ein Jahr veränderten), und der andere Teil war ein Random Forest, der exzellent darin ist, komplexe Entscheidungen basierend auf vielen verschiedenen Regeln zu treffen.
Als sie diese „geschichtenerzählendem“ KI testeten, machte sie einen ordentlichen Job. Es gelang ihr, die Behandlung, die ein Patient erhielt, mit einem Gesamtgenauigkeitswert (AUC) von 0,75 vorherzusagen. Sie war sehr gut darin, „Nein“ zu sagen, wenn eine Behandlung nicht richtig war (eine Spezifität von 83 %), aber sie übersah manchmal die „Ja“-Fälle (eine Sensitivität von nur 32 %). Die Forscher verwendeten auch ein Werkzeug namens SHAP, um einen Blick in das Gehirn der KI zu werfen, wobei sich zeigte, dass der Computer am meisten auf Dinge wie Veränderungen der PSA-Werte, des Hämoglobins und des Phosphats achtete – genau wie ein echter Arzt.
Aber die wahre Magie geschah, als sie die „Geschichten“-KI mit einer „Bild“-KI kombinierten. Sie nahmen das beste Modell für die Text-/Blutdaten und das beste Modell für die 3D-Scan-Bilder und klebten sie mithilfe einer Technik namens Late-Stage-Fusion zusammen. Stellen Sie sich zwei Experten vor: einen, der ein Meister darin ist, medizinische Akten zu lesen, und einen anderen, der ein Meister darin ist, Röntgenbilder zu lesen. Anstatt sie streiten zu lassen, gaben sie ihre endgültigen Vermutungen in einen „Meta-Entscheider“ (ein Stacking-Modell) ein, der herausfand, wie man ihre Meinungen am besten kombiniert. Dieses Teamwork war ein riesiger Erfolg. Das kombinierte Modell sprang auf einen beeindruckenden AUC-Wert von 0,971 und übertraf damit das Modell, das jeweils nur ein Fachgebiet beherrschte, bei Weitem.
Die Forscher sind jedoch vorsichtig, dies nicht als fertiges Produkt zu bezeichnen. Sie geben zu, dass aufgrund ihrer relativ kleinen Gruppe von 212 Patienten die Ergebnisse etwas zu gut aussehen könnten, als ob sie zu schön um wahr zu sein wären, und dass das Modell immer noch Schwierigkeiten hat, jeden einzelnen Patienten zu erfassen, der eine bestimmte Behandlung benötigt (diese niedrige Sensitivität). Sie schlagen vor, dass dieses Tool zwar ein mächtiger „Gehilfe“ sein kann, der Ärzten helfen kann, individuellere Entscheidungen zu treffen, aber noch nicht bereit ist, das Urteilsvermögen des Arztes zu ersetzen. Die Studie kommt zu dem Schluss, dass wir durch die Mischung von zeitbasierten Daten mit Bildern der Zukunft näher kommen, in der die Prostatakrebs-Behandlung wirklich maßgeschneidert für jeden Einzelnen ist, aber mehr Tests mit größeren Gruppen von Menschen erforderlich sind, bevor dieser digitale Detektiv die ganze Welt übernehmen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.