Developing Multimodal Artificial Intelligence-Based Tool for Enhancing Clinical Decision- Making in Personalised Prostate Cancer Treatment
Deze retrospectieve studie ontwikkelde en evalueerde een multimodale AI-gebaseerde klinische beslissingsondersteunende systeem integrerend van demografische, klinische, genomische en beeldvormende gegevens om de gepersonaliseerde voorspelling van prostaatkankerbehandeling in Brunei te verbeteren, waarbij werd aangetoond dat een hybride LSTM–Random Forest-architectuur met late-stage fusie een robuuste prestatie (AUC 0,964) bereikte ondanks beperkingen gerelateerd aan de kleine steekproefomvang.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 enorme, ingewikkelde puzzel probeert op te lossen, maar in plaats van puzzelstukjes heb je een mix van verschillende aanwijzingen: de leeftijd van een patiënt, hun familiegeschiedenis, een reeks bloedtestresultaten die in de loop van de tijd veranderen, en zelfs 3D-scans van hun lichaam. Dit is de wereld van precisie-oncologie, een vakgebied binnen de geneeskunde dat probeert te stoppen met elke patiënt precies hetzelfde te behandelen. In plaats van een "one-size-fits-all"-aanpak, willen artsen de behandeling afstemmen op de specifieke persoon die voor hen staat. Hiervoor gebruiken ze Artificiële Intelligentie (AI), wat in feite een superintelligent computerprogramma is dat patronen kan herkennen in enorme bergen data die het menselijk oog misschien zou missen. Wanneer deze AI naar slechts één type aanwijzing kijkt (zoals alleen bloedtesten), wordt dit "unimodaal" genoemd. Maar wanneer het naar alles tegelijk kijkt—bloed, scans, geschiedenis en tijd—wordt het multimodaal genoemd. De grote vraag die onderzoekers stellen is: Kunnen we een computertool bouken die fungeert als een behulpzame sidekick voor artsen, die al deze verschillende aanwijzingen combineert om de allerbeste behandeling voor prostaatkanker voor te stellen, een veelvoorkomende ziekte die veel mannen treft?
Dit is precies wat een team onderzoekers uit Brunei Darussalam en Ierland van plan was te doen. Ze bouwden een nieuw soort digitale assistent, een Clinical Decision Support System (AI-CDSS), ontworpen specifiek voor prostaatkankerpatiënten. Denk aan een "super-detective" die niet alleen naar een enkel momentopname van de gezondheid van een patiënt kijkt, maar het verhaal van hun gezondheid door de tijd heen volgt. De onderzoekers verzamelden gegevens van 212 patiënten die tussen 2018 en 2024 werden behandeld. Ze keken niet alleen naar statische feiten; ze voerden de AI een "film" van de reis van elke patiënt, inclusief hoe hun bloedwaarden (zoals PSA-niveaus) gedurende maanden op en neer gingen, samen met hun genetische profielen en 3D-lichaamsscans (specifiek PSMA PET/CT-scans).
Het team probeerde veel verschillende manieren om de AI te onderwijzen. Eerst lieten ze de computer op eigen kracht natuurlijke groepen patiënten proberen te vinden zonder de AI te vertellen wat het antwoord was (unsupervised learning), maar de groepen waren een beetje rommelig, vooral omdat er niet genoeg patiënten waren om duidelijke patronen te creëren. Daarom schakelden ze over naar het onderwijzen van de AI met de antwoorden al in handen (supervised learning). Ze bouwden een speciaal hybride model dat functioneerde als een tweeledig team: één deel was een Long Short-Term Memory (LSTM) netwerk, dat erg goed is in het onthouden van sequenties en verhalen (zoals het volgen van hoe de bloedtesten van een patiënt gedurende een jaar veranderden), en het andere deel was een Random Forest, dat uitblinkt in het maken van complexe beslissingen op basis van veel verschillende regels.
Toen ze deze "verhaal-lezende" AI testten, deed het een behoorlijke baan. Het slaagde erin om te voorspellen welke behandeling een patiënt kreeg met een algemene nauwkeurigheidsscore (AUC) van 0,75. Het was erg goed in het zeggen van "nee" wanneer een behandeling niet juist was (een specificiteit van 83%), maar het miste soms de "ja"-gevallen (een sensitiviteit van slechts 32%). De onderzoekers gebruikten ook een hulpmiddel genaamd SHAP om in de hersenen van de AI te gluren, wat onthulde dat de computer de meeste aandacht besteedde aan zaken zoals veranderingen in PSA-niveaus, hemoglobine en fosfaat—precies zoals een echte arts dat zou doen.
Maar de echte magie gebeurde toen ze de "verhaal"-AI combineerden met een "beeld"-AI. Ze namen het beste model voor de tekst/bloedgegevens en het beste model voor de 3D-scanbeelden en plakten deze aan elkaar met een techniek genaamd late-stage fusion. Stel je twee experts voor: één die een meester is in het lezen van medische dossiers, en een ander die een meester is in het lezen van röntgenfoto's. In plaats van hen te laten discussiëren, brachten ze hun definitieve vermoedens samen in een "meta-beslisser" (een stacking model) die uitfigureerde wat de beste manier was om hun meningen te combineren. Dit samenspel was een groot succes. Het gecombineerde model sprong naar een indrukwekkende AUC van 0,971, waarmee het de individuele experts die alleen werkten ruim overtrof.
De onderzoekers zijn echter voorzichtig om dit niet als een voltooid product te bestempelen. Ze geven toe dat omdat hun groep van 212 patiënten relatief klein was, de resultaten er misschien te mooi om waar te zijn uitzien, en dat het model nog steeds moeite heeft om elke patiënt die een specifieke behandeling nodig heeft te vangen (die lage sensitiviteit). Ze suggereren dat hoewel dit hulpmiddel een krachtige "sidekick" kan zijn die artsen kan helpen bij het maken van meer gepersonaliseerde keuzes, het nog niet klaar is om het oordeel van de arts te vervangen. De studie concludeert dat door tijdgebaseerde gegevens te mengen met beelden, we dichter bij een toekomst komen waarin de behandeling van prostaatkanker echt op maat gemaakt is voor elk individu, maar dat er meer testen met grotere groepen mensen nodig zijn voordat deze digitale detective de hele wereld kan overnemen.
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.