Comparing the Performance of Foundation Model Derived Embeddings with Traditional Approaches for Distant Metastasis Prediction in Head and Neck Cancer
Deze studie toont aan dat door foundation models afgeleide embeddings van preoperatieve CT-scans traditionele radiomics en deep learning-benaderingen overtreffen bij het voorspellen van het risico op metastase op afstand voor hoofd- en halskanker, waarbij een schaalbaar, expert-onafhankelijk alternatief wordt geboden met een vergelijkbare prestatie als gecombineerde feature-modellen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van te zoeken naar vingerafdrukken, zoek je naar aanwijzingen die verborgen liggen in het lichaam van een patiënt om te voorspellen of een kanker naar andere delen zal reizen. Dit is de wereld van medische beeldvorming en kunstmatige intelligentie. Jarenlang hebben artsen en wetenschappers een methode gebruikt genaamd "radiomics", wat eruitziet als het gebruiken van een vergrootglas op een specifieke plek op een medische scan, waarbij elk minuscuul detail van die plek wordt gemeten en die cijfers in een computer worden gevoerd om een gok te wagen. Maar er is een addertje onder het gras: om dat vergrootglas te kunnen gebruiken, moet een menselijke expert eerst een perfecte cirkel rond het verdachte gebied tekenen. Dit kost veel tijd, vereist speciale training, en als twee experts de cirkel net iets anders tekenen, kan de computer in de war raken.
Onlangs is er een nieuw type "superintelligent" computerbrein verschenen, een "foundation model" genoemd. Denk hierbij aan een student die elk enkel medisch tekstboek heeft gelezen en miljoen scans heeft bekeken voordat hij ooit een echte patiënt ontmoette. Omdat deze student zoveel heeft gezien, heeft hij niet nodig dat je precies aanwijst waar het probleem zit; hij kan naar het hele plaatje kijken en direct het verhaal begrijpen dat het vertelt. Dit artikel stelt een eenvoudige maar enorme vraag: kan deze superintelligente student, die geen hulp nodig heeft om de aanwijzingen te vinden, een betere taak uitvoeren bij het voorspellen van de verspreiding van kanker dan de oude methode die afhankelijk is van een mens die eerst een cirkel tekent?
De onderzoekers aan het University of Texas Southwestern Medical Center besloten dit idee op de proef te stellen met een enorme collectie CT-scans van 2.327 patiënten met hoofd- en halskanker. Hun doel was het voorspellen van "distante metastase", wat een chique manier is om te zeggen: "zal de kanker naar verre plaatsen zoals de longen of de lever verspreiden?" Ze zetten een race op tussen drie verschillende teams van computerdetectives. Het eerste team gebruikte de ouderwetse "radiomics"-methode, waarbij ze eerst een mens nodig hadden om zorgvuldig de tumor te omlijnen. Het tweede team gebruikte een "Vision Transformer" (een type deep learning AI), die ook een kader rond de tumor nodig had om zich erop te concentreren. Het derde team gebruikte het "CT Foundation"-model, een vooraf getrainde AI die de gehele CT-scanvolume kan bekijken zonder dat iemand een enkele lijn of omtrek hoeft te tekenen.
De resultaten van de race waren behoorlijk verrassend. Het team dat het CT Foundation-model gebruikte, dat de minste menselijke hulp en geen tekenen van grenzen vereiste, won de race daadwerkelijk. Het behaalde een score van 0,791 (een maatstaf voor hoe goed de voorspelling was), waarmee het de traditionele radiomics-ploeg (0,772) en het Vision Transformer-team (0,753) versloeg. Nog interessanter was dat het Foundation-model net zo goed presteerde als een "superteam" dat de ouderwetse radiomics- en de Vision Transformer-kenmerken combineerde, wat een score van 0,794 behaalde. Dit suggereert dat het Foundation-model een krachtig, zelfstandig hulpmiddel is dat niet de extra bagage van door mensen getekende kaarten nodig heeft om effectief te zijn.
Het onderzoek vond ook dat, hoewel het Foundation-model uitstekend was in het vinden van de juiste patiënten, het iets meer gebalanceerd was in zijn voorspellingen vergeleken met de andere modellen, die de neiging hadden om ofwel te voorzichtig ofwel te agressief te zijn. De onderzoekers merkten op dat deze nieuwe aanpak veel sneller en gemakkelijker te gebruiken is omdat het de trage, tijdrovende stap overslaat waarbij een expert elke tumor moet omlijnen. Echter, ze wezen er ook op dat dit nieuwe hulpmiddel momenteel afhankelijk is van een cloud-gebaseerd systeem, wat betekent dat de gegevens naar een server moeten worden verzonden voor verwerking, wat vragen oproept over privacy en toegang.
Uiteindelijk suggereert de studie dat deze foundation-modellen een veelbelovend alternatief zijn voor de oude manieren van doen. Ze bieden een manier om voorspellingen van hoge kwaliteit te krijgen zonder dat er een team van experts nodig is om urenlang lijnen op scans te tekenen. Hoewel de onderzoekers niet beweerden dat dit elk probleem in de kankerzorg oplost, hebben ze laten zien dat voor het voorspellen van de verre verspreiding bij hoofd- en halskanker, een model dat "het hele bos kan zien" zonder dat iemand de "bomen" hoeft aan te wijzen, misschien wel de toekomst is van medische AI.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.