Development and Open-Source Release of a Multi-Cancer Module for Structuring Pathology Reports

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein riesiges Rätsel zu lösen, aber anstatt Hinweise in einem ordentlichen Aktenschrank zu finden, müssen Sie sich durch Millionen von handgeschriebenen Notizen, wirren Skizzen und chaotische Tagebücher graben. Dies ist die tägliche Realität für Forscher, die Krebs untersuchen. Jahrzehntelang waren die entscheidenden Hinweise über Tumore – ihr Typ, ihre Größe und ihr Stadium – in „Pathologieberichten“ verschlossen. Dies sind detaillierte Zusammenfassungen, die Ärzte nach der Untersuchung von Gewebeproben unter dem Mikroskop verfasst haben. Das Problem? Diese Berichte sind oft in fließenden Sätzen oder halbstrukturierten Formaten geschrieben, wie ein Tagebucheintrag statt einer Tabellenkalkulation. Während ein menschlicher Arzt sie leicht lesen kann, haben Computer Schwierigkeiten, sie zu verstehen. Es ist, als würde man versuchen, einem Roboter das Zählen von Äpfeln beizubringen, wenn die Äpfel in Absätzen von Text versteckt sind. Um dies zu lösen, nutzen Wissenschaftler einen Zweig der künstlichen Intelligenz namens Natural Language Processing (NLP). Betrachten Sie NLP als einen superintelligenten Übersetsetzer, der die menschliche Sprache lesen und sie in organisierte Daten umwandeln kann, die Computer verarbeiten können. Wenn wir diese Berichte entschlüsseln können, können wir Cancertrends in einem massiven Maßstab analysieren, was potenziell Leben retten könnte, indem wir Muster erkennen, die kein einzelner Arzt allein sehen könnte.

Hier kommt das Team vom National Cancer Center in Korea ins Spiel. Sie beschlossen, einen „universellen Übersetzer“ speziell für Krebsberichte zu bauen, aber mit einem Clou: Sie wollten ihn zu einem Werkzeug machen, das jeder nutzen kann, und nicht nur in ihrem eigenen Labor behalten. Sie erschufen ein digitales Robotergehirn basend auf einer Technologie namens ClinicalBERT. Sie können sich ClinicalBERT als einen Studenten vorstellen, der Millionen von medizinischen Lehrbüchern gelesen hat und nun ein Experte im Verständnis der spezifischen Sprache ist, die Ärzte verwenden, wenn sie über Tumore sprechen. Das Team trainierte diesen Studenten darauf, Pathologieberichte für fünf verschiedene Krebsarten zu lesen: Nieren-, Schilddrüsen-, Leber-, Brust- und Darmkrebs. Ihr Ziel war es, den Roboter darauf zu trainieren, spezifische Antworten auf Fragen wie „Welches Organ ist das?“ oder „Welche Operation wurde durchgeführt?“ zu finden und diese Informationen aus dem unordentlichen Text herauszuziehen, um eine saubere, organisierte Liste zu erstellen.

Die Ergebnisse waren eine Mischung aus „Wow“ und „Whoa“. Als der Roboter mit den Berichten des Krankenhauses getestet wurde, in dem er trainiert wurde (das National Cancer Center), war er absolut unglaublich. Er brachte die Antworten fast jedes Mal richtig, mit einem Erfolgsmaß (genannt F1-Score) zwischen 0,945 und 0,977. Um das einzuordnen: Wenn man ihm 100 Fragen stellt, würde er fast 95 bis 98 davon korrekt beantworten. Es war, als würde ein Musterschüler in seinem heimischen Klassenzimmer jede Prüfung mit Bravour bestehen.

Der wahre Test kam jedoch, als sie den Roboter an zwei verschiedene Krankenhäuser schickten (Ilsan Hospital und Boramae Medical Center), ohne ihm ein neues Training zu geben. Das ist so, als würde man diesen Musterschüler an eine völlig andere Schule schicken, wo die Lehrer ihre Notizen in einem etwas anderen Stil schreiben, anderen Slang verwenden und ihre Arbeiten anders formatieren. Wie die Autoren vermuteten, geriet der Roboter ins Straucheln. Seine Leistung sank signifikant. Bei Brustkrebs fiel sein Wert von einem nahezu perfekten 0,945 auf 0,777 in einem Krankenhaus und sogar noch weiter auf 0,427 im anderen. Ähnliche Rückgänge gab es bei Leber-, Nieren- und Schilddrüsenkrebs. Die Arbeit legt nahe, dass diese Rückgänge auftraten, weil die Art und Weise, wie Ärzte ihre Berichte schreiben, von Ort zu Ort variiert – unterschiedliche Satzstrukturen, unterschiedliche Arten, „kein Krebs gefunden“ zu sagen, oder einfach unterschiedliche Gewohnheiten.

Trotz des Stolperns scheiterte der Roboter nicht vollständig. Er schaffte es immer noch, die „großen Fragen“ richtig zu beantworten. Er konnte fast immer das beteiligte Organ und den Namen der durchgeführten Operation identifizieren, selbst in den neuen Krankenhäusern. Aber er wurde durch spezifischere Details verwirrt, wie etwa den exakten Ort eines Tumors innerhalb eines Organs, was anscheinend stark davon abhing, wie dieses spezifische Krankenhaus seine Berichte gerne verfasst.

Der aufregendste Teil dieser Arbeit ist nicht nur die Zahlen; es ist das, was das Team mit ihnen getan hat. Anstatt ihr Robotergehirn geheim zu halten, öffneten sie die Tür und ließen jeden herein. Sie veröffentlichten den Code, die trainierten Modelle und die Anweisungen kostenlos im Internet. Sie sagen im Grunde: „Hier ist unser Werkzeug. Es funktioniert großartig in unserem Haus, und es funktioniert okay in anderen Häusern, aber Sie müssen es vielleicht ein wenig anpassen, damit es zu Ihrem eigenen Stil passt.“ Dies ist ein riesiger Schritt nach vorn, da es anderen Forschern ermöglicht, diese Technologie sofort zu nutzen, anstatt ihre eigenen Roboter von Grund auf neu zu bauen. Die Autoren merken vorsichtig an, dass dies zwar ein leistungsstarkes Fundament ist, aber kein Zauberstab, der überall direkt ab Werk perfekt funktioniert. Sie schlagen vor, dass für eine optimale Funktion in verschiedenen Krankenhäusern lokale Teams eine kleine „Kalibrierung“ oder Feinabstimmung vornehmen müssen, um es an ihren spezifischen Schreibstil anzupassen.

Kurz gesagt ist diese Arbeit ein bedeutender Sprung nach vorn, um die Krebsforschung schneller und kollaborativer zu machen. Sie beweist, dass wir unordentliche, handgeschriebene medizinische Notizen mithilfe von KI in saubere, nutzbare Daten verwandeln können, räumt aber auch ehrlich ein, dass jedes Krankenhaus eine leicht andere Sprache spricht. Indem sie ihre Arbeit offen teilen, haben die Teams der wissenschaftlichen Gemeinschaft die Schlüssel übergeben und sie eingeladen, das Werkzeug gemeinsam zu verfeinern, damit wir eines Tages einen universellen Übersetzer haben könnten, der für jeden Arzt überall perfekt funktioniert.