Forskare vid Dana-Farber Cancer Institute har visat att ett verktyg för artificiell intelligens kan prestera lika bra som mänskliga granskare – och mycket snabbare – när det gäller att extrahera klinisk information om förändringar i tumörer från ostrukturerade radiologirapporter för patienter med lungcancer.

AI-verktyget presterade jämförbart med utbildade mänskliga "kuratorer" för att upptäcka förekomsten av cancer; och om det svarade på behandlingsinterventioner, stabil eller förvärras.

Målet med studien, sade motsvarande författare Kenneth Kehl, MD, MPH, en medicinsk onkolog och fakultetsmedlem vid avdelningen för befolkningsvetenskap vid Dana-Faber, var att avgöra om verktyg för artificiell intelligens kan extrahera de mest värdefulla cancerutfallen från radiologirapporter, som är en allestädes närvarande men ostrukturerad datakälla.

Kehl noterade att elektroniska hälsojournaler nu samlar in stora mängder information om tusentals patienter som ses på ett center som Dana-Farber. Dock, om inte patienterna är inskrivna i kliniska prövningar, information om deras resultat, till exempel om deras cancer växer eller krymper som svar på behandling, antecknas endast i journaltexten. Historiskt sett, denna ostrukturerade information är inte tillgänglig för beräkningsanalys och kan därför inte användas för forskning om behandlingens effektivitet.

På grund av studier som Profile-initiativet vid Dana-Farber/Brigham och Women's Cancer Center, som analyserar patienttumörprover och skapar profiler som avslöjar genomiska varianter som kan förutsäga lyhördhet för behandlingar, Dana-Farber-forskare har samlat en mängd molekylär information om patienters cancer. "Men det kan vara svårt att tillämpa denna information för att förstå vilka molekylära mönster som förutspår nytta av behandlingar utan intensiv granskning av patienternas journaler för att mäta deras resultat. Detta är en kritisk barriär för att förverkliga den fulla potentialen av precisionsmedicin, sa Kehl.

För den aktuella studien, Kehl och kollegor fick över 14, 000 bildrapporter för 1, 112 patienter och manuellt granskade journaler med hjälp av "PRISSMM" -ramverket. PRISSMM är en fenomenal datastandard utvecklad på Dana-Farber som tar ostrukturerad data från textrapporter i elektroniska journaler och strukturerar dem så att de lätt kan analyseras. PRISSMM strukturerar data som hänför sig till en patients patologi, radiologi/avbildning, tecken/symtom, molekylära markörer, och en medicinsk onkologs bedömning för att skapa ett porträtt av cancerpatientens resa.

Mänskliga granskare analyserade bildtextrapporterna och noterade om cancer var närvarande och, om så är fallet, om det förvärrades eller förbättrades, och om cancern hade spridit sig till specifika kroppsställen. Dessa rapporter användes sedan för att träna en beräkningsmodell för "djupinlärning" för att känna igen dessa resultat från textrapporterna. "Vår hypotes var att algoritmer för djupinlärning kunde använda rutingenererade röntgentextrapporter för att identifiera förekomsten av cancer och förändringar i dess omfattning över tid, " skrev författarna.

Forskarna jämförde mänskliga och datormätningar av resultat som sjukdomsfri överlevnad, Progressionsfri överlevnad, och tid till förbättring eller svar, och fann att AI-algoritmen kunde replikera mänsklig bedömning av dessa resultat. Algoritmerna för djupinlärning användes sedan för att kommentera ytterligare 15, 000 rapporter för 1, 294 patienter vars register inte hade granskats manuellt. Författarna fann att datorresultatmätningar bland dessa patienter förutspådde överlevnad med liknande noggrannhet som mänskliga bedömningar bland de manuellt granskade patienterna.

De mänskliga kuratorerna kunde kommentera bildrapporter för cirka tre patienter per timme, en takt med vilken en kurator skulle behöva ungefär sex månader för att kommentera alla de nästan 30, 000 avbildningsrapporter för patienterna i kohorten. Däremot den artificiella intelligensmodell som forskarna utvecklade kunde kommentera avbildningsrapporterna för kohorten på cirka 10 minuter, sa forskarna i en rapport i JAMA Onkologi .

"Att skapa ett verkligt lärande hälsosystem för onkologi och för att underlätta leverans av precisionsmedicin i stor skala, metoder behövs för att påskynda behandling av cancerrelaterade utfall från elektroniska journaler, " sa författarna till publikationen. Om den tillämpas brett, utredarna sa, "denna teknik kan avsevärt påskynda ansträngningarna att använda verkliga data från alla patienter med cancer för att generera bevis om effektiviteten av behandlingsmetoder." Nästa steg kommer att inkludera att testa detta tillvägagångssätt på EHR-data från andra cancercentra och använda data för att upptäcka vilka behandlingar som fungerar bäst för vilka patienter.