Nowy model sztucznej inteligencji MUSK, opracowany przez badaczy z Stanford Medicine, stanowi przełom w przewidywaniu rokowań nowotworowych i doborze terapii dla pacjentów. Dzięki możliwości łączenia danych wizualnych (np. obrazów mikroskopowych i skanów medycznych) z tekstowymi (np. notatek lekarskich), MUSK przewyższa tradycyjne metody w dokładności prognozowania przebiegu choroby oraz wyborze odpowiednich metod leczenia.
1. Prognozowanie przebiegu nowotworów z 75% dokładnością
W badaniach obejmujących tysiące pacjentów z różnymi typami nowotworów model MUSK przewidywał przeżycie specyficzne dla choroby z dokładnością 75%. Dla porównania, standardowe metody, opierające się na klasyfikacji stadiów zaawansowania nowotworu i czynnikach ryzyka, były skuteczne tylko w 64% przypadków.
2. Lepsze przewidywanie skuteczności immunoterapii
W przypadku nowotworów płuc i przewodu pokarmowego model MUSK przewidywał skuteczność immunoterapii w 77% przypadków, podczas gdy tradycyjna metoda oparta na ekspresji białka PD-L1 osiągała jedynie 61% dokładności. Ta przewaga wynika z możliwości analizowania setek różnorodnych danych, takich jak obrazy tkanek, historia leczenia oraz wyniki badań laboratoryjnych.
3. Wykrywanie ryzyka nawrotu czerniaka z 83% skutecznością
Badacze wykorzystali MUSK do identyfikacji pacjentów z czerniakiem, u których istnieje największe ryzyko nawrotu w ciągu pięciu lat po leczeniu. Model osiągnął 83% skuteczność, co oznacza, że był o 12% bardziej precyzyjny niż inne dostępne modele predykcyjne.
4. Model „z półki” gotowy do dalszego dostosowania
Jedną z największych zalet modelu MUSK jest jego zdolność do pracy z danymi multimodalnymi, które nie muszą być ściśle sparowane. Dzięki temu baza danych, na której model może się uczyć, jest znacznie większa, a kolejne etapy dostosowania wymagają znacznie mniejszej ilości specjalistycznych danych. W praktyce oznacza to, że lekarze mogą go dostosować do specyficznych potrzeb klinicznych, wykorzystując stosunkowo niewielkie zestawy danych.
5. Potencjalna zmiana standardów leczenia
„Największa niezaspokojona potrzeba kliniczna to modele, które rzeczywiście mogą wspierać lekarzy w podejmowaniu decyzji terapeutycznych” – powiedział dr Ruijiang Li, główny autor badania. Aktualnie decyzje o terapii opierają się głównie na stadium choroby oraz obecności specyficznych biomarkerów. Dzięki MUSK lekarze mogą podejmować bardziej precyzyjne decyzje oparte na setkach różnych danych.
Jak działa MUSK?
MUSK to tzw. model bazowy, który został wstępnie wytrenowany na ogromnych zbiorach danych obejmujących 50 milionów obrazów patologicznych oraz ponad miliard tekstów związanych z patologią. Dzięki temu może być następnie dostosowany do specyficznych zadań klinicznych przy użyciu mniejszych, specjalistycznych zestawów danych.
Współpraca naukowa i wsparcie finansowe
W badaniu uczestniczyli również naukowcy z Harvard Medical School, a projekt został sfinansowany przez National Institutes of Health oraz Stanford Institute for Human-Centered Artificial Intelligence. Wyniki badania zostały opublikowane 8 stycznia 2025 roku w prestiżowym czasopiśmie „Nature”.
Znaczenie dla przyszłości medycyny
Model MUSK może znacząco zmienić sposób, w jaki sztuczna inteligencja wspiera lekarzy w leczeniu nowotworów. Możliwość analizy różnych rodzajów danych jednocześnie i wyciągania precyzyjnych wniosków otwiera nowe możliwości w personalizacji leczenia i poprawie wyników terapeutycznych.
Jeśli ten model zostanie szeroko wdrożony, istnieje realna szansa na poprawę jakości opieki nad pacjentami onkologicznymi oraz zwiększenie skuteczności stosowanych terapii.
