Das MIT (Massachusetts Institute of Technology) stellt zwei neue KI-Modelle "PRISM" vor. Sie sollen eine effizientere Früherkennung von Bauchspeicheldrüsenkrebs ermöglichen.
Herkömmliche Diagnosemethoden für Bauchspeicheldrüsenkrebs erfassen nur etwa zehn Prozent der Fälle im Frühstadium. Das PRISM-System verbessert diese Quote deutlich.
Während mit den Standard-Screening-Kriterien bei einem fünffach erhöhten relativen Risikoschwellenwert etwa zehn Prozent der duktalen Pankreas-Adenokarzinome (PDAC) entdeckt werden, können mit dem PRISM-Modell bei gleichem Schwellenwert 35 Prozent der PDAC-Fälle erkannt werden. Die Erhöhung der Früherkennungsrate ist wichtig, da eine frühe Diagnose oft lebensentscheidend ist.
Zwei statistische Modelle arbeiten zusammen
Die Forscher entwickelten zwei Modelle: das "PRISM"-Netzwerk und ein logistisches Regressionsmodell. Beide Modelle analysieren elektronische Gesundheitsdaten, einschließlich Patientendemografie, Diagnosen, Medikation und Laborergebnisse, um das PDAC-Risiko zu bewerten.
Das PRISM-Modell verwendet neuronale Netze, um komplexe Muster in diesen Datenmerkmalen zu erkennen und daraus einen Risikoscore für die Wahrscheinlichkeit von PDAC zu berechnen. Das logistische Regressionsmodell verwendet eine einfachere Analyse, um aus diesen Merkmalen einen Wahrscheinlichkeitsscore für PDAC zu generieren.
Insgesamt wurde PRISM mit Daten aus mehr als fünf Millionen Patientenakten trainiert. Dieser große Datensatz ermöglichte es den Algorithmen, Muster zu erkennen, die menschlichen Ärzten möglicherweise entgehen.
Anwendung zunächst nur in den USA
Die Forschungsarbeiten an PRISM begannen vor mehr als sechs Jahren mit dem Ziel, die Erkennung von Bauchspeicheldrüsenkrebs zu verbessern, der bei 80 % der Patienten in einem späten Stadium diagnostiziert wird.
Das MIT hat bereits Erfahrungen mit der Entwicklung von KI-Modellen für die Krebsdiagnose gesammelt, beispielsweise bei der Vorhersage des Brustkrebsrisikos. Diese Projekte zeigen, dass eine größere Vielfalt in den Datensätzen zu präziseren Diagnosen führen kann.
Obwohl die PRISM-Modelle vielversprechend sind, gibt es noch einige Aspekte, die weiterentwickelt werden müssen. Derzeit basieren die Modelle nur auf US-Daten, was Tests und Anpassungen für den globalen Einsatz erfordert.
Für die Zukunft plant das Team, die Anwendbarkeit der Modelle auf internationale Datensätze auszuweiten und zusätzliche Biomarker für eine verfeinerte Risikoabschätzung zu integrieren. Außerdem wollen die Forscher die Implementierung der Modelle in die Routine der Gesundheitsversorgung erleichtern.
Die Vision ist, dass die Modelle nahtlos im Hintergrund des Gesundheitssystems arbeiten, Patientendaten automatisch analysieren und Ärzte auf Hochrisikofälle aufmerksam machen, ohne deren Arbeitsbelastung zu erhöhen.
"Trotz der vielversprechenden Ergebnisse der PRISM-Modelle sind, wie bei allen Forschungsarbeiten, einige Teile bisher nicht abgeschlossen", schreiben die Forscher.
