Hierarchical temporal transformer for cancer grade prediction and cross cancer transfer learning from pathology reports
Cet article introduit le Hierarchical Temporal Transformer (HTT), une architecture à deux niveaux qui exploite les rapports de pathologie longitudinaux et les plongements de types de cancer pour atteindre l'état de l'art en matière de prédiction du grade de cancer et démontrer un apprentissage par transfert zéro-shot efficace vers des types de cancer inédits sans pénalité de performance.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les hôpitaux génèrent un flux constant de dossiers écrits. Lorsqu'un patient consulte un médecin, le médecin note ce qu'il voit, ce qu'il suspecte et la façon dont l'état du patient a évolué depuis la dernière visite. Depuis des décennies, les ordinateurs peinent à lire ces notes d'une manière qui aide les médecins à prendre des décisions. La plupart des programmes informatiques qui analysent les textes médicaux traitent chaque note comme un événement unique et isolé. Ils lisent un rapport, font une supposition, puis passent au suivant, oubliant complètement l'histoire qui a précédé. Cette approche néglige une partie cruciale de l'expérience humaine : le temps. La santé d'un patient est un voyage, pas un instantané. Un scanner montrant un léger changement aujourd'hui peut signifier quelque chose de très différent si le patient avait un scanner stable il y a deux ans par rapport à un scanner montrant une croissance rapide la semaine dernière. De plus, la plupart des modèles informatiques sont entraînés pour comprendre un seul type spécifique de cancer. Un programme conçu pour lire des rapports sur le cancer du poumon échoue souvent lorsqu'on lui présente un rapport sur le cancer de la thyroïde, obligeant les hôpitaux à construire et à maintenir des dizaines de systèmes distincts et coûteux.
Une équipe de chercheurs s'est donné pour mission de résoudre ces deux problèmes à la fois. Ils ont développé un nouveau système informatique conçu pour lire l'intégralité de l'historique des visites d'un patient, en prêtant une attention particulière aux jours et aux mois réels écoulés entre les rendez-vous. Ils voulaient également voir si ce système pouvait apprendre le langage général de la gravité du cancer de manière si approfondie qu'il pourrait comprendre des types de cancer qu'il n'avait jamais vus auparavant. Pour tester cela, ils ont créé une expérience en deux parties. Premièrement, ils ont construit un monde simulé de rapports médicaux où ils pouvaient contrôler exactement l'histoire, garantissant que l'ordinateur doive utiliser la chronologie pour obtenir la bonne réponse. Deuxièmement, ils ont alimenté le système avec des milliers de rapports de pathologie réels provenant d'une base de données publique, lui demandant de juger la gravité de tumeurs dans des types de cancers qui lui étaient totalement inconnus.
Le système qu'ils ont construit fonctionne en deux étapes distinctes, un peu comme un humain lisant un dossier. La première étape lit chaque rapport individuel et transforme les mots en un résumé dense de ce que cette visite spécifique signifiait. La seconde étape examine la séquence de ces résumés pour un même patient. Elle ne se contente pas de regarder l'ordre des rapports ; elle mesure le temps réel qui s'est écoulé entre eux. Si un patient subit un scanner trois semaines après une chirurgie et un autre six mois plus tard, le système comprend que le second événement est beaucoup plus lointain et significatif que si les scanners n'avaient été espacés que d'une semaine. Cela permet à l'ordinateur de peser l'historique de la maladie, et non pas seulement la note la plus récente. Pour gérer différents types de cancer, le système utilise un marqueur spécial pour chaque famille de maladies, lui apprenant que bien que les mots puissent changer, le concept sous-jacent d'« agressif » ou de « bénin » reste similaire d'un organe à l'autre.
Lorsque les chercheurs ont testé ce système sur leurs données simulées, les résultats ont été clairs. L'ordinateur capable de lire la chronologie complète et les intervalles de temps entre les visites était nettement meilleur pour prédire la progression de la maladie qu'un ordinateur qui ne regardait que le dernier rapport. Dans un test spécifique où le système devait prédire l'issue pour un type de cancer qu'il n'avait jamais vu auparavant, le système sensible à la chronologie était bien plus précis. Il a réussi à utiliser le schéma de croissance appris d'autres cancers pour comprendre le nouveau. Cela suggérait que la capacité de suivre le temps et l'histoire était un véritable avantage, et non un simple trait des données.
La seconde partie de l'étude est passée de la simulation à la réalité, utilisant des milliers de rapports de pathologie réels provenant de quatorze types différents de cancer. Les chercheurs ont entraîné le système sur onze de ces types et ont complètement verrouillé les rapports des trois autres, incluant le cancer de la thyroïde, le sarcome et un type spécifique de cancer du poumon. Ils ont demandé au système de prédire le grade de la tumeur, qui est une mesure de l'agressivité du cancer, pour ces types inconnus. Les résultats furent frappants. Le système a performé aussi bien sur les cancers inconnus que sur ceux pour lesquels il avait été entraîné. Il a obtenu un score parfait sur le cancer de la thyroïde et des scores très élevés sur les autres. Cela a prouvé que le système n'avait pas simplement mémorisé des mots spécifiques pour des cancers spécifiques. Au contraire, il avait appris un langage plus profond et universel de la gravité du cancer qui s'applique à différentes familles de maladies.
Les chercheurs ont ensuite cherché à comprendre précisément comment ce transfert de connaissances s'était produit. Ils ont découvert que la capacité à comprendre de nouveaux types de cancer provenait principalement de l'entraînement initial du système sur de vastes quantités de textes médicaux, ce qui lui avait enseigné la signification générale de mots comme « agressif » ou « peu différencié ». La partie du système conçue pour suivre le temps et l'histoire, bien que puissante pour comprendre le parcours des patients, n'était pas le principal moteur de ce succès inter-cancer. Dans le test en conditions réelles, où chaque patient n'avait qu'un seul rapport, la composante de suivi temporel n'avait aucun historique à analyser, et pourtant le système a réussi. Cela indique que l'intelligence fondamentale pour reconnaître la gravité du cancer était déjà présente dans le modèle de langage de base, attendant d'être appliquée à de nouvelles situations.
Ces conclusions suggèrent une nouvelle voie pour l'intelligence artificielle médicale. Au lieu de construire un ordinateur séparé et spécialisé pour chaque type de cancer, les hôpitaux pourraient éventuellement utiliser un système unifié. Ce système unique pourrait apprendre des cancers communs et appliquer immédiatement ces connaissances aux cancers rares ou difficiles, à condition que le concept de gravité de la maladie soit exprimé dans le texte. Bien que le système doive encore être soigneusement ajusté pour éviter les fausses alertes, l'étude démontre que les ordinateurs peuvent apprendre à lire l'histoire d'une maladie à travers différents corps et différentes échelles de temps, se rapprochant ainsi d'un avenir où un outil unique pourra aider les médecins à comprendre toute la complexité du cancer.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.