Модель глубокого обучения в лечении рака легкого

Модель глубокого обучения, созданная на основе серийных снимков опухолей  пациентов с немелкоклеточным раком легкого (NSCLC), предсказывала реакцию на лечение и результаты выживания лучше, чем стандартные клинические модели.

Рак легких является самой распространенной формой рака и основной причиной смерти от раковых заболеваний во всем мире. На долю немелкоклеточного рака легких приходится около 85% всех случаев рака легких. Стандартная оценка для диагностики и ответа на терапию для этих пациентов зависит от измерения максимального диаметра опухоли, который подвержен изменениям с течением времени.

Исследование было проведено доктором наук и доцентом Гарвардского университета Хьюго Аертсом (Hugo Aerts) из Онкологического института Dana-Farber. «Исследование показывает, что модели глубокого обучения, объединяющие текущие снимки, могут улучшить прогнозы выживаемости» - сказал Аертс. По словам Аертса, обычная клиническая модель, базирующаяся на стадии болезни, поле, возрасте пациента не дает подобных прогнозов.

Как проводилось исследование

Для того чтобы узнать, смогут ли они извлечь больше прогнозируемых данных по мере развития заболевания, Аертс и его коллеги создали модели глубокого обучения. Они перенесли обучение из ImageNet, нейронной сети, созданной исследователями из Принстонского и Стэнфордского университетов и обучили свои модели с использованием серийного компьютерного сканирования 179 пациентов с 3-ей стадией немелкоклеточного рака легких, которые проходили химиотерапию. Они включали до четырех изображений на пациента, получаемых обычно до лечения и через один, три и шесть месяцев после лечения. Всего - 581 изображение. Исследователи проанализировали способность модели делать прогнозы с помощью двух наборов данных: обучающий набор данных из 581 изображения и независимый проверочный набор данных из 178 изображений от 89 пациентов с немелкоклеточным раком легкого, после операции и химиотерапии.

Производительность моделей обучения улучшалась с каждым последующим сканированием. «Модели глубокого обучения, которые количественно отслеживают изменения поражений с течением времени, могут помочь врачам адаптировать планы лечения для отдельных пациентов и помочь разделить пациентов на различные группы риска для клинических испытаний» - отмечает Аертс.

Основным ограничением этого исследования, основанного на принципах доказательности, по словам Аертса, является то, что оно должно быть расширено за счет большего количества данных и оценки в будущих клинических испытаниях.