PET/CT Radiogenomic Mutation Prediction in Non-Small Cell Lung Cancer Using Multi-Label Learning
Deze studie toont aan dat hoewel op PET/CT gebaseerde deep learning NSCLC-mutaties kan voorspellen, de effectiviteit van multi-label leren significant varieert afhankelijk van het specifieke genpaar dat wordt gemodelleerd, waarbij de gezamenlijke voorspelling van KRAS en TP53 verbetering laat zien ten opzichte van classificatie van een enkel gen.
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 binnen het lichaam van een patiënt. Normaal gesproken moeten artsen, om de aanwijzingen te vinden die vertellen hoe een kanker zich zal gedragen, een biopsie uitvoeren. Dit is als het sturen van een kleine sonde in een donkere grot om één enkele steen te pakken; het vertelt je iets over die specifieke plek, maar het kan de rest van de geheimen van de grot missen, en het kan pijnlijk en riskant zijn. Stel je nu voor dat je gewoon een superkrachtige foto van de hele grot kunt maken en een slimme computer kunt gebruiken om te raden waar de stenen in de grot van gemaakt zijn, zonder ze ooit aan te raken. Dit is de wereld van de radiogenomica. Het is een vakgebied waar wetenschappers proberen de beelden die artsen maken (zoals PET/CT-scans, die zowel de vorm van een tumor als hoe hongerig deze is naar energie laten zien) te koppelen aan de genetische code die verborgen zit in de tumorcellen. De grote vraag is: kan een computer naar deze beelden kijken en ons vertellen welke specifieke genetische "schakelaars" aan of uit staan? Als dat kan, zou het artsen kunnen helpen om de perfecte medicatie voor elke patiënt te kiezen zonder de noodzaak van invasieve chirurgie.
Dit artikel gaat over een team van onderzoekers die besloten een nieuwe strategie te testen voor dit computerdetectiewerk. Ze richtten zich op niet-kleincellige longkanker (NSCLC), een veelvoorkomend type longkanker, en keken naar drie specifieke genetische schakelaars: EGFR, KRAS en TP53. Denk aan deze schakelaars als verschillende instellingen op een complexe machine; weten welke hiervan actief zijn, helpt artsen om de beste behandeling te bepalen. De onderzoekers stelden een slimme vraag: is het beter om de computer te leren om één schakelaar tegelijk te raden, of moet hij proberen twee schakelaars tegelijkertijd te raden? Ze noemen dit "multi-label leren". Het is alsof je een student vraagt een wiskundetoets te maken waarbij hij twee gerelateerde problemen tegelijkertijd moet oplossen, in de hoop dat het oplossen van de één helpt bij het begrijpen van de ander.
Het team gebruikte een speciale dataset uit het VK met 263 patiënten met bevestigde longkanker. Ze trainden een deep learning-model (een type AI dat leert door naar duizenden voorbeelden te kijken) om naar PET/CT-beelden te kijken en de status van deze genen te voorspellen. Ze vergeleken twee benaderingen: één waarbij de AI over elk gen afzonderlijk leerde, en een andere waarbij de AI over paren genen tegelijkertijd leerde.
Hier is wat ze vonden, en het is een beetje een gemengd resultaat. Wanneer ze de AI vroegen om de KRAS- en TP53-schakelaars tegelijkertijd te raden, werd hij zelfs beter in beide! Het vermogen van de computer om de KRAS-schakelaar te spotten verbeterde van een score van 0,58 naar 0,64, en voor TP53 van 0,69 naar 0,71. Het lijkt erop dat voor dit specifieke paar de aanwijzingen voor het ene gen de computer hielpen om het andere gen te begrijpen, zoals twee vrienden die elkaar helpen een puzzel op te lossen.
Echter, het verhaal verandert wanneer ze andere paren probeerden. Toen ze de AI vroegen om de EGFR- en KRAS-schakelaars samen te raden, werd de computer beter in het spotten van EGFR, maar werd hij juist slechter in het spotten van KRAS. Het is alsof de computer zo gefocust raakte op de EGFR-aanwijzingen dat hij in de war raakte over KRAS. En wanneer ze het paar EGFR en TP53 probeerden, hielp het gezamenlijk leren helemaal niet; de computer deed het beter toen hij ze afzonderlijk leerde.
De onderzoekers suggereren dat dit betekent dat er geen "one-size-fits-all" regel is voor het leren aan AI om deze genetische schakelaars te lezen. Soms helpt het leren van twee dingen tegelijkertijd, en soms staat het in de weg. Ze concluderen dat in plaats van altijd te proberen meerdere genen tegelijkertijd te raden, artsen en wetenschappers de strategie moeten kiezen op basis van welke specifieke genen ze zoeken. Voor sommige combinaties werkt teamwork; voor andere is het beter om alleen te werken. Deze studie bewijst nog niet dat we biopsies kunnen vervangen, maar het suggereert dat als we AI willen gebruiken om genetica uit beelden te voorspellen, we heel voorzichtig moeten zijn met hoe we de computer onderwijzen, waarbij we de methode afstemmen op het specifieke genetische mysterie dat we proberen op te lossen.
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.