Ученые адаптировали ИИ для лечения редких видов рака

Ученые адаптировали искусственный интеллект (ИИ) для лечения редких видов рака.

Об этом рассказал «Известиям» сам автор идеи и реализации проекта, доктор наук, системный биолог и исследователь онкологического центра Memorial Sloan Kettering Cancer Center (MSKCC) Дмитрий Чебанов. Результаты исследования системы для лечения рака путем создания цифровых пациентов были представлены на ежегодной конференции Американской ассоциации исследований рака (AACR Annual Meeting).

Научное руководство осуществлял руководитель программы вычислительной биологии и медицины Корнелльского университета и мировой эксперт в области геномики и эволюции опухолей — профессор Куэйд Моррис.

Как объяснил Чебанов, была разработана новая система на основе искусственного интеллекта, которая не просто анализирует данные о пациентах с раком, а создает их виртуальных цифровых двойников, чтобы заполнять пробелы в знаниях о редких опухолях. По его словам, технология открывает новые возможности для разработки лекарств и может изменить практику персонализированной медицины в ближайшие годы.

«Обычно ИИ в медицине используют для поиска нужной информации в электронных картах пациентов. Но здесь применен принципиально новый подход: модель сама создает новые молекулярные профили, а не просто читает уже существующие. Это первый случай применения такой технологии для генерации синтетических данных о раке», — уточнил автор исследования.

Данные о молекулярных нарушениях в клетках опухоли стали основой для выбора терапии. Однако, как отметил системный биолог, для редких видов рака такой информации недостаточно: мало пациентов, образцов. На накопление статистики могут уйти годы, но ИИ может сгенерировать недостающие данные в настоящее время.

Исследователи предложили использовать принципы больших языковых моделей, обработав молекулярные профили опухолей как «предложения» и создав на их основе сотни или тысячи цифровых двойников реальных пациентов. Для проверки качества работы технологии ученые обучили новый диагностический классификатор на виртуальных пациентах и показали, что его точность при постановке диагнозов у реальных людей превышает показатели аналогичной модели, обученной на реальных данных. Разработка также позволяет оперативно дополнять неполные молекулярные профили, что значимо для быстрого начала терапии.