Клиническая интеграция машинного обучения для целенаправленного лучевого лечения пациентов с раком простаты

Клиническая интеграция машинного обучения для целенаправленного лучевого лечения пациентов с раком простаты

Согласно слепому непосредственному исследованию, использование искусственного интеллекта при создании планов лучевого лечения рака простаты оказалось успешным.

В целом, онкологи-радиологи сочли подавляющее большинство — 89 из 100 — планов, созданных с помощью машинного обучения (ML), клинически приемлемыми для лечения, сообщили Томас Парди, доктор философии, и его коллеги из Онкологического центра принцессы Маргарет в Торонто. Этот результат был стабильным как на этапе моделирования (92%), так и на этапе развертывания (86%) исследования.

Более того, при прямом сравнении планов лучевой терапии, созданных с помощью алгоритма ML или людей, 72% планов, созданных с помощью ML, были выбраны вместо планов, созданных человеком, «что указывает на потенциал ML даже превзойти человеческие возможности благодаря для повышения согласованности, посредством которой план ML объединяет консенсус экспертов, а не одного эксперта », — написали они в исследовательском письме, опубликованном в Nature Medicine .

Однако, когда онкологи-радиологи столкнулись с фактической реализацией этих планов лечения на практике для пациентов, количество планов ML, выбранных для лечения, было значительно сокращено (83% на этапе моделирования против 61% на этапе развертывания).

«Как только вы передадите методы лечения с помощью ML в руки людей, которые полагаются на него при принятии реальных клинических решений относительно своих пациентов, это предпочтение ML может снизиться», — сказал Парди в пресс-релизе. «Может быть разрыв между тем, что происходит в лабораторных условиях и в клинических условиях».

Хотя машинное обучение «открывает большие перспективы» для оказания медицинской помощи, его влияние в основном проверялось в смоделированных средах, которые невозможно воспроизвести в реальной клинической практике, отметили Перди и его коллеги. Поэтому в этом исследовании они хотели перспективно развернуть и протестировать алгоритм планирования терапевтического лучевого лечения пациентов с раком простаты.

Исследование включало два этапа. Во-первых, это была фаза ретроспективного моделирования, на которой семь радиационных онкологов сравнили ранее составленные планы лучевой терапии с планами, разработанными методом ML, у 50 пациентов, при слепом рассмотрении.

На втором этапе предполагаемого развертывания девять онкологов-радиологов сравнили планы лечения облучением с помощью ML и человека для 50 пациентов в рамках слепого обзора. Выбранный план — ML или человеческий — использовался для лечения пациентов с соблюдением всех стандартных клинических проверок качества.

Планирование лучевой терапии с использованием машинного обучения сократило среднее время, необходимое для всего процесса планирования, на 60%, отметили Перди и его команда.

В целом, по их словам, онкологи-радиологи выбрали план лучевой терапии, который «количественно превосходит на основе соблюдения клинических рекомендаций» в 85% случаев на этапе моделирования по сравнению с 72% на этапе развертывания.

«Предпочтение в отношении планов RT, созданных с помощью машинного обучения или созданных людьми, было объяснено на индивидуальном уровне на основе предполагаемого происхождения (ML или человеческий фактор) выбранного плана RT, в то время как в количественном отношении он был хуже на основе консенсусного обзора», — пишут авторы. Например, они отметили, что большинство наблюдаемых предпочтений в отношении планов лечения, созданных человеком, приходилось на долю двух из девяти лечащих онкологов-радиологов.

Исследование демонстрирует, что «полностью автоматизированные терапевтические средства, созданные на основе машинного обучения, могут быть реализованы в клинической среде», — писали Перди и его коллеги. «Перспективные исследования внедрения, подтверждающие влияние машинного обучения на реальные клинические условия, необходимы для количественной оценки ценности этих методов и стимулирования их принятия для рутинного использования в уходе за пациентами».

«Когда дело доходит до новых технологий и устройств, я думаю, что есть общее распределение принятия и принятия, с некоторыми ранними последователями, некоторыми более скептическими, но убедительными, а затем поздними или неохотными последователями», — сказал Неха Вапивала, доктор медицины. Перельмана из Медицинской школы Пенсильванского университета, который не принимал участия в исследовании.

«Также есть что сказать о некоторых нюансах, которые просто невозможно уловить с помощью машинного обучения, таких как совокупность профессионального опыта и истории болезни определенного типа опухоли или конкретного клинического случая», — сказала она. сказал MedPage Today . «Вы можете следовать типичным рекомендациям, и план лечения может выглядеть« идеальным », но, возможно, вы наблюдали результаты для пациентов в этом конкретном сценарии, который вы включаете в свое принятие решений и который может способствовать неавтоматическому подходу».

Вапивала также отметил, что, хотя машинное обучение, описанное в этом исследовании, еще не широко доступно, есть определенные элементы, которые более распространены в сегодняшней клинической практике и, по-видимому, легче принимаются, например, автоматическое контурирование структур на имитационных КТ-изображениях, используются для моделирования дозы.

 

Обновлено 16 июня 2021 г.
Ссылка на основную публикацию