L’intelligenza artificiale ha offerto una vittoria importante a patologi e ricercatori nella lotta per il miglioramento cancro trattamenti e diagnosi.
Paziente – foto illustrativa. Credito immagine: Pixabay (Licenza gratuita Pixabay)
In collaborazione con il National Cancer Institute, o NCI, i ricercatori dell’Oak Ridge National Laboratory del Dipartimento dell’Energia e della Louisiana State University hanno sviluppato un trasformatore di intelligenza artificiale a lungo sequenziamento in grado di elaborare milioni di rapporti patologici per fornire agli esperti di ricerca sulla diagnosi e sulla gestione del cancro esponenzialmente più informazioni informazioni accurate sulla segnalazione del cancro.
“Il nostro obiettivo è cercare di vedere se possiamo automatizzare il processo di estrazione di informazioni specifiche sul sito del cancro da questi rapporti patologici e trasformarli in dati strutturati per la segnalazione dell’incidenza del cancro a livello nazionale”, ha affermato Mayanka Chandra Shekarricercatore presso la Divisione di Scienze Computazionali e Ingegneria dell’ORNL.
Il lavoro della squadra è stato recentemente pubblicato in Informatica clinica sul cancro.
I modelli di trasformazione dell’intelligenza artificiale vengono addestrati su grandi quantità di dati e li “trasformano” in informazioni utili e digeribili per gli scienziati. Utilizzando il framework sicuro CITADEL sul supercomputer Oak Ridge Leadership Computing Summit, con il supporto di Progetto di calcolo Exascale E Modellazione dei risultati utilizzando dati di sorveglianza e intelligenza artificiale scalabile per il cancro, o MOSSAIC, programma, i ricercatori dell’ORNL hanno utilizzato il modello del trasformatore specializzato per elaborare 2,7 milioni di rapporti di patologia del cancro. Questo modello, noto come Path-BigBird, estrae dati da sei registri dei tumori di sorveglianza, epidemiologia e risultati finali o SEER.
Il programma SEER dell’NCI è un’autorevole fonte di informazioni sull’incidenza e sulla sopravvivenza del cancro negli Stati Uniti. Il SEER attualmente raccoglie e pubblica dati sull’incidenza del cancro e sulla sopravvivenza da registri di tumori basati sulla popolazione che coprono circa il 48% della popolazione degli Stati Uniti.
“Volevamo creare un modello linguistico in cui potessimo chiederci: ‘Possiamo costruire qualcosa che comprenda il linguaggio della patologia e ci aiuti a creare modelli predittivi o modelli di estrazione di informazioni che fondamentalmente estraggano la sede, la sottosede del cancro e altri dettagli chiave da rapporti di patologia?’” Ha detto Chandrashekar.
Attualmente, questi registri dei tumori vengono aggiornati manualmente, lasciando un divario di due anni tra l’incidenza del cancro e la sua segnalazione, il che significa che se si verifica un aumento del tasso di cancro a livello nazionale, i ricercatori devono attendere due anni prima di riconoscere quest’area di preoccupazione.
Elaborando in modo efficace le informazioni provenienti da milioni di referti patologici, Path-BigBird ha il potenziale per ottimizzare la velocità e l’accuratezza dell’estrazione delle informazioni patologiche e superare gli approcci tradizionali di deep learning per raccogliere informazioni importanti come l’identificazione dei siti tumorali, l’istologia e migliorare la precisione del cancro segnalazione dell’incidenza a livello di popolazione.
“Il nostro attuale modello di deep learning implementato ha codificato automaticamente circa il 23% delle segnalazioni elaborate dai registri dei tumori, consentendo ai ricercatori di risparmiare tempo prezioso nella loro ricerca di segnalazioni di tumori quasi in tempo reale”, ha affermato Chandrashekar. Ha aggiunto che questo progresso apre la porta alla creazione di un linguaggio patologico modello completo in grado di eseguire con successo compiti più rapidamente che mai.
“L’utilizzo di questo modello apre un mondo completamente nuovo”, ha affermato Chandrashekar. “Possiamo estendere l’estrazione di biomarcatori e altri problemi ricorrenti del cancro utilizzando lo stesso modello perché ora è in grado di comprendere il linguaggio specifico della patologia. Possiamo espanderlo oltre l’obiettivo di ciò che abbiamo iniziato”, ha aggiunto.
Il punto di svolta nella ricerca è arrivato quando il team si è reso conto che era necessario un linguaggio più ampio affinché il modello di intelligenza artificiale funzionasse in modo più accurato. Incorporando più linguaggio clinico insieme ai referti patologici, Chandrashekar e il suo team hanno riscontrato un notevole miglioramento sia in termini di precisione che di prestazioni.
“Questo ci ha dato la possibilità di capire che avere un vocabolario limitato potrebbe limitarci nella comprensione delle sfumature del comportamento in determinati compiti”, ha detto Chandrashekar. “Nel frattempo, includere più vocabolario creerà un modello migliore per svolgere compiti normali, così come quelli più difficili”.
Il linguaggio inclusivo incorporato nel modello di intelligenza artificiale rifletteva l’ampia gamma di ricercatori riuniti per il team, che ha trascorso due anni lavorando su questo progetto.
Chandrashekar ha aggiunto: “Il nostro team comprendeva esperti di elaborazione del linguaggio naturale, scienziati informatici ad alte prestazioni ed epidemiologi, quindi eravamo un gruppo composto da parti completamente interdisciplinari in cui dovevamo capire: “Cosa viene chiesto e possiamo gestirlo in modo sicuro su larga scala” ?’”
I ricercatori hanno testato il modello Path-BigBird per attività essenziali di estrazione di informazioni. Conoscendo il potenziale dei modelli di trasformazione di modelli popolari come BERT e GPT, si aspettano di estenderli e adattarli per compiti a valle utili per la salute della popolazione, come il riconoscimento delle entità, l’ubicazione del testo essenziale e i sistemi di risposta alle domande. Il modello Path-BigBird potrebbe anche rappresentare un punto di svolta fornendo una comprensione più chiara delle tendenze del cancro e facilitando gli interventi di sanità pubblica per le comunità a rischio.
Chandrashekar ha affermato che l’attenzione del team si è ora spostata sull’implementazione di nuovi compiti da completare per il modello, come l’identificazione di biomarcatori, i tassi di recidiva del cancro e altri aspetti della segnalazione dell’incidenza del cancro.
“Stiamo cercando di vedere se possiamo utilizzare un modello simile che non richieda molta formazione e vedere come possiamo espanderlo in tutte queste cose”, ha detto. “E data la velocità con cui vengono costruiti modelli linguistici di grandi dimensioni da parte dell’industria, stiamo cercando di capire come possiamo sfruttare parte di questa conoscenza per vedere se possiamo utilizzare i modelli esistenti per il nostro caso d’uso particolare”.
Il lavoro svolto da Chandrashekar e dal suo team sul modello Path-BigBird fa parte del progetto MOSSAIC guidato da Heidi Hanson e Lynne Penberthy, una partnership tra il Dipartimento dell’Energia e l’NCI.
UT-Battelle gestisce l’Oak Ridge National Laboratory per l’Ufficio di Scienza del Dipartimento di Energia. L’Office of Science, il più grande sostenitore della ricerca di base nelle scienze fisiche negli Stati Uniti, sta lavorando per affrontare alcune delle sfide più urgenti del nostro tempo. Per maggiori informazioni per favore visita Energy.gov/science.
Da un’altra testata giornalistica. news de www.technology.org
