AI som oppdager kreft før legene kan se det

Nøkkelinnsikt

• MIRAI oppdager subtile endringer i farge og tekstur i mammografibilder som det menneskelige øyet ikke kan se, og forutsier kreftrisiko år før noen lege ville bestilt en biopsi.
• Screeningpolitikken varierer vilt mellom land. AI kan løse dette ved å identifisere de 3 prosentene som faktisk trenger tidlig oppfølging, og spare de resterende 97 prosentene for unødvendige prosedyrer.
• Mesteparten av pengene i legemiddelutvikling forsvinner i sene kliniske prøvefeil. AI hjelper med å luke ut svake kandidater tidlig, før investeringen er gjort. Veien fra oppdagelse til behandling er i ferd med å bli kortere.
• Gapet mellom hva teknologi kan gjøre og hva sykehus faktisk bruker, var det egentlige sjokket for Barzilay da hun ble pasient i 2014, bare 20 minutters gange fra sitt eget MIT-laboratorium.

Kort fortalt

Dr. Regina Barzilay, professor ved MIT og brystkreftoverlevende, har bygget en AI-modell kalt MIRAI som kan forutsi en pasients risiko for å utvikle brystkreft opp til fem år før symptomer oppstår. Oppkalt etter det japanske ordet for "fremtid," har MIRAI nå analysert over to millioner mammografier og er i bruk ved 48 sykehus i 22 land. I denne episoden av BBC AI Decoded snakker hun med programleder Christian Fraser og medprogramlederne Dr. Stephanie Hare og Marc Cieslak om hvordan modellen virker, hvor den allerede endrer praksis, og hva hun tror om kreftbehandling det neste tiåret.

Fra pasient til forsker

I 2014 fikk Barzilay brystkreftdiagnosen. Hun var dataingeniør ved MIT, et av verdens fremste teknologiinstitusjoner. Massachusetts General Hospital, der hun fikk diagnosen, ligger bare 20 minutters gange over en bro fra laboratoriet hennes. Likevel var avstanden mellom de to verdenene enorm.

Det som slo henne, var at et sykehus regnet som et av de fremste i USA ikke tok i bruk noen av informasjonsteknologiene som er standard overalt ellers, i pasientbehandlingen. Ethvert spørsmål hun stilte til behandlingsteamet, ble besvart med en klinisk studie fra ti år tilbake. Medisinen behandlet pasienter som statistikk, ikke som enkeltmennesker.

Det gapet, ikke selve diagnosen, ble hennes oppdrag. Hvis AI allerede hadde forvandlet logistikk, økonomi og forbrukerapper, hvorfor var det fraværende i klinikken?

Hva MIRAI faktisk gjør

Nøkkelinnsikten bak MIRAI er ikke at AI er smartere enn radiologer. Det er at tegnene på kreft ofte allerede er til stede i tidligere bilder, lenge før noen kliniker ville handlet på dem.

Når en pasient får kreftdiagnosen, ser onkologer som blar tilbake i tidligere mammografier gjerne at noe var der hele veien. Det var bare for tvetydig til å utløse en biopsi. Og den tvetydigheten er rasjonell: en biopsi er et kirurgisk inngrep med reelle kostnader, bivirkninger og forstyrrelser i pasientens liv. Klinikere sender kun pasienter til biopsi når de er svært sikre på at det er et problem.

Maskinen, forklarer Barzilay, "kan identifisere svært subtile endringer i farge, i tekstur" som det menneskelige øyet ikke pålitelig kan skille. Når den er riktig trent, kan MIRAI gjenkjenne disse mønstrene tidlig nok til å si at endringer allerede er i gang, år før kreften blir synlig for noen radiolog.

Dette er ikke prediksjon i spekulativ forstand. Som Barzilay sier det: kreften er ofte allerede der, det menneskelige øyet ser den bare ikke. MIRAI ser det øyet ikke kan se.

Screeningdilemmaet

En av de mest slående delene av samtalen er hvor sprikende global screeningpolitikk faktisk er. I Storbritannia tilbys rutinemessig mammografi hvert tredje år. I USA anbefaler en faglig organisasjon årlig screening, en annen hvert andre år, og forsikringsordningene varierer tilsvarende. I Israel er standarden hvert andre år, med screening fra fylte 50.

Det siste har en urovekkende konsekvens: 25 prosent av brystkrefttilfellene i Israel skjer hos kvinner under 50, nettopp de som ikke screenes ennå. Fordi de diagnostiseres senere, er kreften typisk i et mer avansert stadium enn hos kvinner som har blitt screenet. Mer aggressiv kreft, dårligere utfall.

Den åpenbare løsningen, å screene alle fra yngre alder, medfører enorme kostnader og skaper en byrde av unødvendige undersøkelser for det store flertallet av kvinner som aldri vil utvikle kreft. Dette er nøyaktig den avveiningen AI er godt egnet til å løse. Barzilays forslag er å screene alle ved for eksempel 40 år, men bruke MIRAI til å dele inn resultatene: rundt 97 prosent av kvinner kan komme tilbake ved 50 som normalt, mens de resterende 3 prosentene som er identifisert som høyrisiko, følges opp langt tettere.

AI hjelper ikke bare med å screene flere. Den endrer hvem som faktisk trenger screening i utgangspunktet.

Forutsier influensaen også

MIRAI er ikke den eneste medisinske AI-modellen fra Barzilays laboratorium. Teamet hennes har også bygget modeller som hjelper Verdens helseorganisasjon med å velge hvilken influensastamme de skal prioritere i den årlige vaksinen.

Hvert år ser WHO på sirkulerende influensastammer og må vedde på hvilken som vil dominere når sesongen ankommer måneder senere. Problemet er at den som leder løpet nå, kanskje ikke er lederen om seks måneder. Barzilays modell kan "fortelle dem hvordan frekvensen av denne stammen kommer til å endre seg om 6 måneder," basert på biologiske sekvensegenskaper ved hver stamme og hvordan de konkurrerer med hverandre.

Modellen kan ikke forutsi en stamme som ikke eksisterte da beslutningen ble tatt, og Barzilay er åpen om denne begrensningen. Det som skjedde i år, forklarer hun, var at den dominerende stammen rett og slett ikke var i løpet da WHO foretok sitt valg. Ingen prediksjonsmodell kunne fanget det opp. Men for de mange årene der alle relevante stammer er til stede og man likevel velger feil, gir AI et verdifullt tillegg til informasjonsgrunnlaget.

Personalisert behandling og legemiddeloppdagelse

Samtalen skifter fra tidlig oppdagelse til behandling, og her blir bildet mer ambisiøst. Metastatisk kreft (kreft som har spredt seg til andre deler av kroppen) er der de hardeste problemene finnes. På det stadiet finnes ingen standardbehandling som gjelder for alle. Hver pasients sykdom har utviklet seg i en litt annen retning.

Kliniske forsøk kjører allerede i USA for bryst-, tykktarms- og lungekreft der maskinlæring brukes sammen med patologisnitt og genomisk sekvensering for å identifisere hvilken behandling som mest sannsynlig vil lykkes for en bestemt pasient. Målet er å fjerne gjettearbeidet onkologer i dag er nødt til å akseptere.

Dette arbeidet sammenfaller med fremskritt innen legemiddeloppdagelse fra verktøy som AlphaFold. Ved å modellere hvordan proteiner brettes og samhandler, lar AI forskere forstå sykdom på molekylært nivå og designe legemidler med langt større presisjon. Legemiddelutvikling har historisk vært preget av sene kliniske prøvefeil, der enorme investeringer kollapser like før målstreken. AI begynner å luke ut svakere kandidater tidligere, før de pengene er brukt.

Visjonen for de neste ti årene

Bedt om å male et bilde av kreftbehandling om ti år, er Barzilays svar slående konkret. Hun ser for seg "enkle blodprøver" som erstatter kompleks bildediagnostikk for rutinesjekk, med AI som identifiserer hvem som er i risikosonen tidlig nok til å foreslå livsstilsendringer. For de som likevel utvikler kreft, håper hun på behandlinger som er både personaliserte og langt mindre giftige enn det som finnes i dag.

Dagens kreftbehandling er, med hennes egne ord, "fryktelig giftig." Behandlingene som redder liv, er også ofte behandlingene som skader dem. Målet er ikke bare å oppdage kreft tidligere, men å behandle den med langt færre sideskader, veiledet av en detaljert forståelse av den enkeltes sykdom.

Tre ting, sier hun, vil prege det neste tiåret: langt tidligere oppdagelse, en bedre forståelse av hvordan livsstilsforhold bidrar til sykdomsutvikling, og personaliserte ikke-giftige behandlinger med høy effekt.

Ordliste

Kilder og ressurser