Alat AI Baru untuk Pengobatan Kanker

• Para ilmuwan di Harvard Medical School merancang model AI serbaguna mirip ChatGPT yang dapat melakukan berbagai tugas diagnostik di berbagai jenis kanker
• Sistem AI baru ini melangkah lebih jauh dibanding banyak pendekatan AI saat ini untuk diagnosis kanker
• Sistem AI saat ini umumnya dilatih untuk melakukan tugas tertentu, seperti mendeteksi keberadaan kanker atau memprediksi profil genetik tumor, dan cenderung hanya bekerja pada sejumlah kecil jenis kanker
• Sebaliknya, model baru ini dapat melakukan berbagai tugas luas, telah diuji pada 19 jenis kanker, dan memiliki fleksibilitas serupa model bahasa besar seperti ChatGPT
• Baru-baru ini telah muncul model AI fondasional lain untuk diagnosis medis berbasis citra patologi, tetapi model ini dianggap sebagai yang pertama yang memprediksi hasil pasien dan divalidasi pada berbagai kelompok pasien internasional
• Model AI ini bekerja dengan membaca slide jaringan tumor
  • Mendeteksi sel kanker dan memprediksi profil molekuler tumor berdasarkan karakteristik sel yang terlihat pada citra dengan akurasi lebih tinggi daripada sebagian besar sistem AI saat ini
  • Memprediksi kelangsungan hidup pasien di berbagai jenis kanker, dan secara akurat menemukan karakteristik jaringan di sekitar tumor (mikrolingkungan tumor) yang terkait dengan respons pasien terhadap terapi standar seperti operasi, kemoterapi, radioterapi, dan imunoterapi
  • Tampaknya dapat menghasilkan wawasan baru, termasuk mengidentifikasi karakteristik tumor tertentu yang sebelumnya tidak diketahui berkaitan dengan kelangsungan hidup pasien
• Tim peneliti mengatakan semakin banyak bukti bahwa hasil ini dapat meningkatkan kemampuan klinisi untuk menilai kanker secara efisien dan akurat, termasuk mengidentifikasi pasien yang mungkin tidak merespons dengan baik terhadap pengobatan kanker standar
• Kun-Hsing Yu mengatakan, "Jika divalidasi lebih lanjut dan diterapkan secara luas, pendekatan kami dan pendekatan serupa dapat mengidentifikasi lebih dini pasien kanker yang mungkin memperoleh manfaat dari terapi eksperimental yang menargetkan variasi molekuler tertentu"

Pelatihan dan performa

• Studi terbaru tim ini dibangun di atas riset Yu sebelumnya tentang sistem AI untuk evaluasi kanker kolorektal dan tumor otak. Riset sebelumnya menunjukkan kelayakan pendekatan ini dalam jenis kanker dan tugas tertentu
• Model baru bernama CHIEF (Clinical Histopathology Imaging Evaluation Foundation) dilatih dengan membagi 15 juta gambar tanpa label menjadi bagian-bagian yang menjadi fokus
• Alat ini juga dilatih lebih lanjut pada 60.000 citra whole-slide dari jaringan yang mencakup paru-paru, payudara, prostat, kolorektal, lambung, esofagus, ginjal, otak, hati, tiroid, pankreas, serviks, rahim, ovarium, testis, kulit, jaringan lunak, adrenal, dan kandung kemih
• Dengan melatih model untuk melihat baik bagian tertentu dari gambar maupun gambar secara keseluruhan, model dapat mengaitkan perubahan spesifik di satu area dengan konteks keseluruhan. Para peneliti mengatakan pendekatan ini memungkinkan CHIEF menafsirkan gambar secara lebih holistik dengan mempertimbangkan konteks yang lebih luas, alih-alih hanya berfokus pada area tertentu
• Setelah pelatihan, tim peneliti menguji performa CHIEF pada lebih dari 19.400 citra whole-slide dalam 32 dataset independen yang dikumpulkan dari 24 rumah sakit dan kohort pasien di seluruh dunia
• Secara keseluruhan, CHIEF melampaui metode AI mutakhir lain hingga 36% pada tugas seperti deteksi sel kanker, identifikasi asal tumor, prediksi hasil pasien, serta identifikasi pola gen dan DNA yang terkait dengan respons terapi
• Berkat pelatihannya yang beragam, CHIEF menunjukkan performa yang sama baiknya terlepas dari apakah sel tumor diperoleh melalui biopsi atau reseksi bedah
• Akurasinya juga tetap sama terlepas dari teknologi yang digunakan untuk mendigitalisasi sampel sel kanker
• Para peneliti mengatakan kemampuan adaptasi ini membuat CHIEF dapat digunakan di berbagai lingkungan klinis dan merupakan langkah penting melampaui model saat ini yang cenderung hanya bekerja baik saat membaca jaringan yang diperoleh melalui teknologi tertentu

Deteksi kanker

• CHIEF mencapai akurasi hampir 94% dalam deteksi kanker dan secara signifikan melampaui pendekatan AI saat ini pada 15 dataset yang mencakup 11 jenis kanker
• Pada 5 dataset biopsi yang dikumpulkan dari kohort independen, CHIEF mencapai akurasi 96% di berbagai jenis kanker seperti esofagus, lambung, kolorektal, dan prostat
• Ketika para peneliti menguji CHIEF pada slide tumor hasil operasi dari kolorektal, paru-paru, payudara, endometrium, dan serviks yang belum pernah dilihat sebelumnya, model ini menunjukkan akurasi di atas 90%

Prediksi profil molekuler tumor

• Komposisi genetik tumor memberikan petunjuk penting untuk menentukan perilaku di masa depan dan terapi yang paling tepat
• Untuk mendapatkan informasi ini, ahli onkologi memesan sekuensing DNA pada sampel tumor, tetapi secara global pemrofilan genomik detail semacam ini pada jaringan kanker tidak dilakukan secara rutin atau merata karena biaya dan waktu
• CHIEF melampaui metode AI saat ini dalam memprediksi variasi genom tumor hanya dengan melihat slide mikroskop
• Pendekatan AI baru ini berhasil mengidentifikasi karakteristik yang terkait dengan beberapa gen penting yang berhubungan dengan pertumbuhan dan penekanan kanker, serta memprediksi variasi genetik utama yang terkait dengan seberapa baik tumor dapat merespons berbagai terapi standar
• CHIEF juga mendeteksi pola DNA tertentu yang terkait dengan seberapa baik tumor kolorektal dapat merespons bentuk imunoterapi yang disebut immune checkpoint blockade
• Saat melihat citra jaringan utuh, CHIEF mengidentifikasi mutasi pada 54 gen kanker yang umum bermutasi dengan akurasi keseluruhan lebih dari 70%, melampaui metode AI mutakhir saat ini untuk prediksi kanker genomik. Akurasi untuk gen tertentu pada jenis kanker tertentu bahkan lebih tinggi
• Tim peneliti juga menguji kemampuan CHIEF untuk memprediksi mutasi yang terkait dengan respons terhadap terapi bertarget yang disetujui FDA pada 18 gen di 15 lokasi anatomi. CHIEF mencapai akurasi tinggi pada berbagai jenis kanker, termasuk 96% untuk deteksi mutasi pada gen EZH2 yang umum pada kanker darah bernama diffuse large B-cell lymphoma, 89% untuk mutasi gen BRAF pada kanker tiroid, dan 91% untuk mutasi gen NTRK1 pada kanker kepala dan leher

Prediksi kelangsungan hidup pasien

• CHIEF berhasil memprediksi kelangsungan hidup pasien berdasarkan citra histopatologi jaringan tumor yang diperoleh saat diagnosis awal
• Di semua jenis kanker dan kelompok pasien yang diteliti, CHIEF mampu membedakan pasien dengan kelangsungan hidup jangka panjang dan jangka pendek
• CHIEF menunjukkan performa 8% lebih baik daripada model lain, dan pada pasien kanker stadium lanjut performanya 10% lebih baik dibanding model AI lain
• Kemampuan CHIEF untuk memprediksi risiko kematian tinggi vs rendah diuji dan dikonfirmasi pada sampel pasien dari 17 institusi berbeda

Menggali wawasan baru tentang perilaku tumor

• Model ini mengidentifikasi pola karakteristik pada citra yang terkait dengan agresivitas tumor dan kelangsungan hidup pasien
• Untuk memvisualisasikan area yang menjadi perhatian ini, CHIEF menghasilkan heatmap pada gambar. Ketika para ahli patologi manusia menganalisis hotspot yang diturunkan AI ini, mereka melihat sinyal menarik yang mencerminkan interaksi antara sel kanker dan jaringan di sekitarnya
• Salah satu karakteristik tersebut adalah jumlah sel imun yang lebih banyak di area tumor pada pasien dengan kelangsungan hidup jangka panjang dibanding pasien dengan kelangsungan hidup jangka pendek. Yu menekankan bahwa temuan ini masuk akal karena keberadaan sel imun yang lebih besar dapat menunjukkan bahwa sistem imun telah diaktifkan untuk menyerang tumor
• Saat melihat tumor dari pasien dengan kelangsungan hidup jangka pendek, CHIEF mengidentifikasi area perhatian yang ditandai oleh rasio ukuran abnormal antar berbagai komponen sel, lebih banyak karakteristik atipikal pada inti sel, koneksi yang lemah antar sel, serta berkurangnya keberadaan jaringan ikat di area sekitar tumor. Tumor-tumor ini juga memiliki lebih banyak sel yang sedang mati di sekitarnya. Sebagai contoh, pada tumor payudara, CHIEF menandai keberadaan nekrosis jaringan (kematian sel dini) sebagai area perhatian. Sebaliknya, kanker payudara dengan tingkat kelangsungan hidup lebih tinggi cenderung lebih mungkin mempertahankan struktur sel yang mirip jaringan sehat. Tim peneliti menjelaskan bahwa karakteristik visual dan area perhatian yang berkaitan dengan kelangsungan hidup bervariasi tergantung jenis kanker

Langkah berikutnya

Para peneliti mengatakan mereka berencana meningkatkan performa dan memperluas fungsi CHIEF dengan cara berikut:

• Melakukan pelatihan tambahan pada citra jaringan penyakit langka dan kondisi non-kanker
• Menyertakan sampel jaringan prakanker sebelum sel menjadi sepenuhnya ganas
• Mengekspos model pada lebih banyak data molekuler untuk meningkatkan kemampuan mengidentifikasi kanker dengan tingkat agresivitas yang berbeda
• Melatih model untuk memprediksi manfaat dan efek samping terapi kanker baru selain terapi standar

Opini GN⁺

• Studi ini menunjukkan kemajuan teknologi AI untuk diagnosis kanker dan penyusunan rencana terapi. Secara khusus, penelitian ini bermakna karena mengembangkan model umum yang dapat diterapkan pada berbagai jenis kanker
• Namun, untuk diterapkan di praktik klinis nyata, model ini perlu divalidasi dengan lebih banyak data dan perlu disiapkan cara agar dokter dan AI dapat berkolaborasi secara efektif. Masih ada tantangan yang harus diselesaikan, seperti akurasi diagnosis dan isu tanggung jawab
• Teknologi serupa mencakup perusahaan seperti Paige.AI dan Proscia yang mendiagnosis kanker melalui analisis citra patologi. Mereka menyediakan solusi yang terspesialisasi untuk jenis kanker tertentu sehingga berbeda dari penelitian ini dari sisi generalisasi
• Saat mengadopsi teknologi diagnosis kanker berbasis AI, diperlukan berbagai kesepakatan sosial dan penataan kelembagaan, seperti perubahan peran tenaga medis, perbaikan proses diagnosis, dan penyesuaian tarif layanan kesehatan. Pada saat yang sama, risiko teknis dan etis seperti masalah bias AI dan isu perlindungan privasi juga perlu ditinjau secara cermat
• Ke depan, jika dikembangkan teknologi AI yang dapat menganalisis secara menyeluruh hingga karakteristik molekuler-biologis jaringan kanker dan bahkan memprediksi respons obat, teknologi tersebut diharapkan dapat sangat berkontribusi pada terwujudnya precision medicine