Hierarchical temporal transformer for cancer grade prediction and cross cancer transfer learning from pathology reports
Questo articolo introduce l'Hierarchical Temporal Transformer (HTT), un'architettura a due livelli che sfrutta i referti patologici longitudinali e gli embedding del tipo di cancro per raggiungere uno stato dell'arte nella previsione del grado di cancro e dimostrare un efficace apprendimento per trasferimento zero-shot su tipi di cancro non visti senza penalità di prestazioni.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Gli ospedali generano un flusso costante di documenti scritti. Quando un paziente visita un medico, il medico annota ciò che vede, ciò che sospetta e come la condizione del paziente sia cambiata dall'ultima visita. Per decenni, i computer hanno faticato a leggere questi appunti in un modo che aiuti i medici a prendere decisioni. La maggior parte dei programmi informatici che analizzano il testo medico tratta ogni nota come un evento singolo e isolato. Leggono un rapporto, fanno una supposizione e poi passano al successivo, dimenticando completamente la storia precedente. Questo approccio trascura una parte cruciale dell'esperienza umana: il tempo. La salute di un paziente è un viaggio, non un'istantanea. Una scansione che mostra un piccolo cambiamento oggi potrebbe significare qualcosa di molto diverso se il paziente avesse avuto una scansione stabile due anni fa rispetto a una che mostrava una crescita rapida la scorsa settimana. Inoltre, la maggior parte dei modelli informatici è addestrata per comprendere solo un tipo specifico di cancro. Un programma costruito per leggere rapporti sul cancro ai polmoni spesso fallisce quando gli viene consegnato un rapporto sul cancro alla tiroide, costringendo gli ospedali a costruire e mantenere decine di sistemi separati e costosi.
Un team di ricercatori si è messo in viaggio per risolvere entrambi questi problemi contemporaneamente. Hanno sviluppato un nuovo sistema informatico progettato per leggere l'intera cronologia delle visite di un paziente, prestando attenzione ai giorni e ai mesi effettivi tra gli appuntamenti. Volevano anche vedere se questo sistema potesse imparare il linguaggio generale della gravità del cancro in modo tale da poter comprendere tipi di cancro che non aveva mai visto prima. Per testare questo, hanno creato un esperimento in due parti. Per prima cosa, hanno costruito un mondo simulato di rapporti medici in cui potevano controllare esattamente la storia, assicurandosi che il computer dovesse usare la linea temporale per ottenere la risposta corretta. In secondo luogo, hanno fornito al sistema migliaia di veri rapporti patologici da un database pubblico, chiedendogli di giudicare la gravità dei tumori in tipi di cancro che erano completamente nascosti al suo addestramento.
Il sistema che hanno costruito funziona in due fasi distinte, molto simile a un essere umano che legge un file. La prima fase legge ogni singolo rapporto e trasforma le parole in un riassunto denso di ciò che quella specifica visita ha significato. La seconda fase osserva la sequenza di questi riassunti per un singolo paziente. Non guarda solo l'ordine dei rapporti; misura il tempo effettivo che è passato tra di essi. Se un paziente ha effettuato una scansione tre settimane dopo un intervento chirurgico e un'altra sei mesi dopo, il sistema comprende che il secondo evento è molto più distante e significativo rispetto a se le scansioni fossero state distanziate di una sola settimana. Ciò consente al computer di pesare la storia della malattia, non solo l'ultimo appunto. Per gestire diversi tipi di cancro, il sistema utilizza un marcatore speciale per ogni famiglia di malattie, insegnandogli che, sebbene le parole possano cambiare, il concetto sottostante di "aggressivo" o "lieve" rimane simile tra diversi organi.
Quando i ricercatori hanno testato questo sistema sui loro dati simulati, i risultati sono stati chiari. Il computer che poteva leggere la cronologia completa e gli intervalli di tempo tra le visite era significativamente migliore nel prevedere la progressione della malattia rispetto a un computer che guardava solo l'ultimo rapporto. In un test specifico in cui il sistema doveva prevedere l'esito per un tipo di cancro che non aveva mai visto prima, il sistema consapevole della cronologia era molto più accurato. Ha utilizzato con successo il modello di crescita appreso da altri tipi di cancro per comprendere il nuovo. Ciò ha suggerito che la capacità di tracciare il tempo e la storia fosse un vero vantaggio, non solo una caratteristica dei dati.
La seconda parte dello studio si è spostata dalla simulazione alla realtà, utilizzando migliaia di veri rapporti patologici di pazienti con quattordici diversi tipi di cancro. I ricercatori hanno addestrato il sistema su undici di questi tipi e hanno poi completamente bloccato i rapporti per gli altri tre, inclusi il cancro alla tiroide, il sarcoma e un tipo specifico di cancro al polmone. Hanno chiesto al sistema di prevedere il grado del tumore, che è una misura di quanto sia aggressivo il cancro, per questi tipi non visti. I risultati sono stati sorprendenti. Il sistema è stato efficace sui tumori non visti quanto lo era su quelli su cui era stato addestrato. Ha ottenuto un punteggio perfetto sul cancro alla tiroide e punteggi molto alti sugli altri. Ciò ha dimostrato che il sistema non aveva semplicemente memorizzato parole specifiche per tipi di cancro specifici. Al contrario, aveva appreso un linguaggio più profondo e universale della gravità del cancro che si applica a diverse famiglie di malattie.
I ricercatori hanno poi indagato esattamente come sia avvenuto questo trasferimento di conoscenza. Hanno scoperto che la capacità di comprendere nuovi tipi di cancro derivava principalmente dall'addestramento iniziale del sistema su vaste quantità di testi medici, che gli avevano insegnato il significato generale di parole come "aggressivo" o "scarsamente differenziato". La parte del sistema progettata per tracciare il tempo e la storia, pur essendo potente per comprendere i percorsi dei pazienti, non era il driver principale di questo successo tra i diversi tipi di cancro. Nel test del mondo reale, dove ogni paziente aveva un solo rapporto, la componente di tracciamento del tempo non aveva una storia da analizzare, eppure il sistema ha avuto successo. Ciò indica che l'intelligenza centrale per il riconoscimento della gravità del cancro era già presente nel modello linguistico fondamentale, in attesa di essere applicata a nuove situazioni.
Questi risultati suggeriscono una nuova strada per l'intelligenza artificiale medica. Inveve di costruire un computer separato e specializzato per ogni singolo tipo di cancro, gli ospedali potrebbero in futuro essere in grado di utilizzare un unico sistema unificato. Questo singolo sistema potrebbe imparare dai tumori comuni e applicare immediatamente tale conoscenza ai tipi rari o difficili, a condizione che il concetto di gravità della malattia sia espresso nel testo. Sebbene il sistema debba ancora essere calibrato con cura per evitare falsi allarmi, lo studio dimostra che i computer possono imparare a leggere la storia di una malattia attraverso diversi corpi e diversi intervalli di tempo, avvicinandosi a un futuro in cui un unico strumento possa assistere i medici nella comprensione della piena complessità del cancro.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.