Stanford Üniversitesi’nden araştırmacılar, kanser tanı, tedavi planlaması ve prognoz tahmini süreçlerini geliştiren yeni bir çalışma ve yapay zeka modeli geliştirdi. MUSK (Multimodal Transformer with Unified maSKed modeling) olarak adlandırılan bu araştırma, kişiye özel tedavi planları oluşturarak kesin onkolojiyi ilerletmeyi hedefliyor.
Multimodal Temel Modeller Üzerine Yeni Bir Çalışma
Stanford Üniversitesi’nin radyasyon onkolojisi bölümünde doçent olan ve çalışmanın kıdemli yazarı olan Ruijiang Li, “Multimodal temel modeller, tıpta yapay zeka araştırmalarında yeni bir ufuk” dedi. “Son zamanlarda, tıp alanında, özellikle de patologide, görsel-dil temel modelleri geliştirildi. Ancak mevcut çalışmalar, ön eğitim için eşleştirilmiş görüntü-metinsel veri gerektiren standart modelleri kullanıyor. 1 milyon patoloji görüntüsü ve metin eşleştirilmiş veri hazırlama çabalarına rağmen, tüm hastalık spektrumunun çeşitliliğini tam olarak yansıtmak için bu hala yetersiz.”
Klinik Verilerin Entegrasyonu ve Yorumlanması
Onkologlar, hastaların durumunu değerlendirirken ve en uygun tedavi yöntemini planlarken birçok veri kaynağına başvuruyorlar. Ancak, karmaşık tıbbi verilerin entegre edilmesi ve yorumlanması doktorlar ve yapay zeka modelleri için zorlayıcı bir süreç. Nature dergisinde yeni yayımlanan çalışma, MUSK’ın doktorların daha doğru ve bilgilendirilmiş kararlar vermesine yardımcı olabileceğini vurguluyor.
MUSK, derin öğrenme kullanarak, klinik metin verilerini (doktor notları gibi) ve patoloji görüntülerini (histoloji slaytları gibi) işleyerek, doktorların hemen fark edemeyeceği kalıpları belirleyerek daha iyi klinik içgörüler elde ediyor.
MUSK Modelinin İki Aşamalı Yaklaşımı
MUSK, iki aşamalı bir multimodal transformer modelini kullanıyor. İlk olarak, büyük miktarda eşleşmemiş veriden öğreniyor ve metin ile görüntülerden faydalı özellikler çıkarıyor. Sonrasında, eşleştirilmiş görüntü-metinsel verilerle anlayışını incelterek kanser türlerini tanımak, biyomarkerları tahmin etmek ve etkili tedavi seçenekleri önermek üzere donanımını geliştiriyor.
Araştırmacılar, modelin ön eğitimini 33 tümör tipi ve 11,577 hastadan oluşan 50M patoloji görüntüsü ile birlikte 1B patoloji ile ilgili metin verisi kullanarak gerçekleştirdi.
Çalışmanın baş yazarı ve radyasyon fiziği alanında doktora sonrası araştırmacı olan Jinxi Xiang, ön eğitimin 64 NVIDIA V100 Tensor Core GPU’su kullanılarak sekiz düğüm üzerinde 10 gün sürdüğünü belirtti. Bu, MUSK’ın geniş veri setlerini verimli bir şekilde işlemesine olanak tanıdı.
MUSK, 23 patoloji benchmark’ında test edildiğinde, birçok önemli alanda mevcut yapay zeka modellerini geçmeyi başardı. Patoloji görüntülerini ilgili tıbbi metinlerle eşleştirmedeki başarısı, hastalarla ilgili önemli bilgilerin toplanmasında onu daha etkili kıldı. Aynı zamanda, kanserli alanı belirleme veya biyomarker varlığını tahmin etme gibi patoloji ile ilgili soruları %73 doğrulukla yorumlayabildi.
MUSK, meme, akciğer ve kolorektal kanser gibi kanser alt tipleri için tespit ve sınıflandırmada %10’a kadar iyileşme sağladı. Bu da erken teşhis ve tedavi planlamasında büyük bir yardım sunabilir. Ayrıca, meme kanseri biyomarkerlerini %83 AUC ile tespit etti.
Ek olarak, MUSK, kanser hayatta kalım sonuçlarını %75 doğrulukla tahmin edebildi ve akciğer ve gastroözofageal kanserlerin immünoterapilere nasıl tepki vereceğini %77 doğruluk oranıyla belirledi. Bu oran, standart klinik biyomarkerların yalnızca %60-65 doğrulukla tahmin edebildiği bir düzeydir.
Li, “Bir çarpıcı bulgu, çoklu veri kaynaklarını entegre eden yapay zeka modellerinin, yalnızca görüntü veya metin verilerine dayananları sürekli olarak geride bıraktığını gösteriyor. Multimodal yaklaşımın gücünü vurguluyor.” dedi. “MUSK’ın gerçek değeri, eşleşmemiş büyük ölçekli görüntü ve metin verilerini ön eğitimde kullanabilme yeteneğidir; bu, eşleştirilmiş veriler gerektiren mevcut modellere göre önemli bir avantajdır.”
Klinik Ortamlarda Uyum Sağlama Yeteneği
Araştırmanın temel güçlerinden biri, farklı klinik ortamlarda az bir eğitimle uyum sağlayabilmesidir. Bu, onkoloji iş akışlarındaki verimliliği artırabilir ve doktorların kanseri daha hızlı teşhis etmesine yardımcı olarak tedavileri daha iyi sonuçlarla kişiselleştirmesine olanak tanıyabilir.
Gelecek çalışmaları, çeşitli popülasyondan gelen hasta gruplarında modeli geçerliliğini kanıtlama yönünde odaklanacak. Araştırmacılar, klinik denemelerde prospektif geçerlilik testinin düzenleyici onay için gerekli olduğunu belirttiler.
Li, “MUSK yaklaşımını dijital patolojiden diğer veri türlerine, örneğin radyoloji görüntüleri ve genomik verilere genişletme üzerine çalışıyoruz.” dedi.
Araştırmacılar, model ağırlıkları, değerlendirme kodları ve örnek veriler dahil olmak üzere çalışmanın tüm detaylarına GitHub üzerinden ulaşılabilir.
