하버드 의과대학 과학자들이 여러 암 유형에 걸쳐 다양한 진단 작업을 수행할 수 있는 다재다능한 ChatGPT 같은 AI 모델을 설계해서 발표 했습니다. 그 내용을 가져와서 DeepL을 이용해서 번역 했습니다.
https://hms.harvard.edu/news/new-artificial-intelligence-tool-cancer
https://hms.harvard.edu/news/new-artificial-intelligence-tool-cancer
hms.harvard.edu
ChatGPT와 유사한 AI 모델로 암 진단, 치료법 선택 안내, 여러 암 유형의 생존 예측 가능
2024년 9월 4일 연구 (저자 에카테리나 페셰바)
Scientists at Harvard Medical School have designed a versatile, ChatGPT-like AI model capable of performing an array of diagnostic tasks across multiple forms of cancers.
The new AI system, described Sept. 4 in Nature, goes a step beyond many current AI approaches to cancer diagnosis, the researchers said.
Current AI systems are typically trained to perform specific tasks — such as detecting cancer presence or predicting a tumor’s genetic profile — and they tend to work only in a handful of cancer types. By contrast, the new model can perform a wide array of tasks and was tested on 19 cancer types, giving it a flexibility similar to that of large language models such as ChatGPT.
하버드 의과대학의 과학자들은 여러 형태의 암에 대해 다양한 진단 작업을 수행할 수 있는 ChatGPT와 유사한 다목적 AI 모델을 설계했습니다. 9월 4일 Nature에 소개된 이 새로운 AI 시스템은 암 진단에 대한 현재의 많은 AI 접근 방식보다 한 단계 더 발전했다고 연구진은 말했습니다. 현재의 AI 시스템은 일반적으로 암 존재 감지 또는 종양의 유전적 프로필 예측과 같은 특정 작업을 수행하도록 훈련되며 소수의 암 유형에서만 작동하는 경향이 있습니다. 반면, 새로운 모델은 광범위한 작업을 수행할 수 있으며 19가지 암 유형에 대해 테스트되어 ChatGPT와 같은 대규모 언어 모델과 유사한 유연성을 제공합니다.
While other foundation AI models for medical diagnosis based on pathology images have emerged recently, this is believed to be the first to predict patient outcomes and validate them across several international patient groups.
“Our ambition was to create a nimble, versatile ChatGPT-like AI platform that can perform a broad range of cancer evaluation tasks,” said study senior author Kun-Hsing Yu, assistant professor of biomedical informatics in the Blavatnik Institute at Harvard Medical School. “Our model turned out to be very useful across multiple tasks related to cancer detection, prognosis, and treatment response across multiple cancers.”
여기에서 더 많은 HMS 뉴스 보기
병리 이미지를 기반으로 한 의료 진단을 위한 다른 기초 AI 모델이 최근에 등장했지만, 환자 결과를 예측하고 여러 국제 환자 그룹에서 이를 검증한 것은 이번 연구가 처음인 것으로 알려져 있습니다. "우리의 목표는 광범위한 암 평가 작업을 수행할 수 있는 민첩하고 다목적 ChatGPT와 같은 AI 플랫폼을 만드는 것이었습니다."라고 연구 수석 저자이자 하버드 의과대학 블라바트닉 연구소의 생물 의학 정보학 조교수인 Kun-Hsing Yu는 말합니다. "우리 모델은 여러 암의 암 발견, 예후 및 치료 반응과 관련된 여러 작업에서 매우 유용한 것으로 밝혀졌습니다."
The AI model, which works by reading digital slides of tumor tissues, detects cancer cells and predicts a tumor’s molecular profile based on cellular features seen on the image with superior accuracy to most current AI systems. It can forecast patient survival across multiple cancer types and accurately pinpoint features in the tissue that surrounds a tumor — also known as the tumor microenvironment — that are related to a patient’s response to standard treatments, including surgery, chemotherapy, radiation, and immunotherapy. Finally, the team said, the tool appears capable of generating novel insights — it identified specific tumor characteristics previously not known to be linked to patient survival.
종양 조직의 디지털 슬라이드를 판독하여 작동하는 이 AI 모델은 암세포를 감지하고 이미지에서 보이는 세포 특징을 기반으로 종양의 분자 프로필을 예측하며, 대부분의 최신 AI 시스템보다 뛰어난 정확도로 종양의 생존율을 예측합니다. 여러 암 유형에 걸쳐 환자의 생존율을 예측하고 수술, 화학 요법, 방사선 및 면역 요법을 포함한 표준 치료에 대한 환자의 반응과 관련된 종양 주변 조직(종양 미세 환경이라고도 함)의 특징을 정확하게 찾아낼 수 있습니다. 마지막으로 연구팀은 이 도구가 이전에는 환자 생존과 관련이 없는 것으로 알려졌던 특정 종양 특성을 식별하는 등 새로운 인사이트를 생성할 수 있는 것으로 보인다고 말했습니다.
The findings, the research team said, add to growing evidence that AI-powered approaches can enhance clinicians’ ability to evaluate cancers efficiently and accurately, including the identification of patients who might not respond well to standard cancer therapies.
연구팀은 이번 연구 결과가 표준 암 치료법에 잘 반응하지 않을 수 있는 환자를 식별하는 등 임상의가 암을 효율적이고 정확하게 평가하는 능력을 향상시킬 수 있다는 증거가 늘어나고 있다고 설명했습니다.
“If validated further and deployed widely, our approach, and approaches similar to ours, could identify early on cancer patients who may benefit from experimental treatments targeting certain molecular variations, a capability that is not uniformly available across the world,” Yu said.
유는 "우리의 접근 방식이 더 검증되고 널리 배포된다면, 우리와 유사한 접근 방식을 통해 특정 분자 변이를 표적으로 하는 실험적 치료의 혜택을 받을 수 있는 암 환자를 조기에 식별할 수 있을 것"이라며 "이는 전 세계적으로 균일하게 제공되지 않는 기능입니다."라고 말했습니다.
Training and performance
The team’s latest work builds on Yu’s previous research in AI systems for the evaluation of colon cancer and brain tumors. These earlier studies demonstrated the feasibility of the approach within specific cancer types and specific tasks.
이 팀의 최신 연구는 대장암과 뇌종양 평가를 위한 AI 시스템에 대한 유 교수의 이전 연구를 기반으로 합니다. 이러한 이전 연구에서는 특정 암 유형과 특정 작업 내에서 접근 방식의 타당성을 입증했습니다.
The new model, called CHIEF (Clinical Histopathology Imaging Evaluation Foundation), was trained on 15 million unlabeled images chunked into sections of interest. The tool was then trained further on 60,000 whole-slide images of tissues including lung, breast, prostate, colorectal, stomach, esophageal, kidney, brain, liver, thyroid, pancreatic, cervical, uterine, ovarian, testicular, skin, soft tissue, adrenal gland, and bladder. Training the model to look both at specific sections of an image and the whole image allowed it to relate specific changes in one region to the overall context. This approach, the researchers said, enabled CHIEF to interpret an image more holistically by considering a broader context, instead of just focusing on a particular region.
CHIEF(임상 조직병리 영상 평가 재단)라고 불리는 이 새로운 모델은 관심 영역으로 분류된 1,500만 개의 라벨이 없는 이미지에 대해 학습을 거쳤습니다. 그런 다음 폐, 유방, 전립선, 대장, 위, 식도, 신장, 뇌, 간, 갑상선, 췌장, 자궁경부, 자궁, 난소, 고환, 피부, 연조직, 부신, 방광 등 조직의 전체 슬라이드 이미지 6만 장에 대해 추가 학습을 실시했습니다. 이미지의 특정 부분과 전체 이미지를 모두 보도록 모델을 훈련시킴으로써 한 영역의 특정 변화를 전체 맥락과 연관시킬 수 있었습니다. 연구진은 이러한 접근 방식을 통해 CHIEF가 특정 영역에만 초점을 맞추는 대신 더 넓은 맥락을 고려하여 이미지를 보다 총체적으로 해석할 수 있었다고 설명합니다.
Following training, the team tested CHIEF’s performance on more than 19,400 whole-slide images from 32 independent datasets collected from 24 hospitals and patient cohorts across the globe.
훈련 후 연구팀은 전 세계 24개 병원과 환자 코호트에서 수집한 32개의 독립 데이터 세트에서 19,400개 이상의 전체 슬라이드 이미지에 대해 CHIEF의 성능을 테스트했습니다.
Overall, CHIEF outperformed other state-of-the-art AI methods by up to 36 percent on the following tasks: cancer cell detection, tumor origin identification, predicting patient outcomes, and identifying the presence of genes and DNA patterns related to treatment response.
Because of its versatile training, CHIEF performed equally well no matter how the tumor cells were obtained — whether via biopsy or through surgical excision. And it was just as accurate, regardless of the technique used to digitize the cancer cell samples. This adaptability, the researchers said, renders CHIEF usable across different clinical settings and represents an important step beyond current models that tend to perform well only when reading tissues obtained through specific techniques.
전반적으로 CHIEF는 암세포 탐지, 종양 기원 식별, 환자 예후 예측, 치료 반응과 관련된 유전자 및 DNA 패턴의 존재 여부 식별 등의 작업에서 다른 최첨단 AI 방법보다 최대 36% 더 뛰어난 성능을 보였습니다. 다목적 학습 덕분에 CHIEF는 생검이나 외과적 절제 등 종양 세포의 획득 방법에 관계없이 동일한 성능을 발휘했습니다. 또한 암세포 샘플을 디지털화하는 데 사용된 기술에 관계없이 마찬가지로 정확했습니다. 연구진은 이러한 적응성 덕분에 CHIEF를 다양한 임상 환경에서 사용할 수 있으며 특정 기술을 통해 얻은 조직을 읽을 때만 잘 작동하는 경향이 있는 현재 모델을 뛰어넘는 중요한 진전이라고 설명했습니다.
In five biopsy datasets collected from independent cohorts, CHIEF achieved 96 percent accuracy across multiple cancer types including esophagus, stomach, colon, and prostate. When the researchers tested CHIEF on previously unseen slides from surgically removed tumors of the colon, lung, breast, endometrium, and cervix, the model performed with more than 90 percent accuracy.
암 검출 CHIEF는 암 검출에서 거의 94%의 정확도를 달성했으며 11가지 암 유형을 포함하는 15개 데이터 세트에서 기존 AI 접근 방식을 크게 능가했습니다. 독립 코호트에서 수집한 5개 생검 데이터 세트에서 CHIEF는 식도, 위, 결장, 전립선 등 여러 암 유형에 걸쳐 96%의 정확도를 달성했습니다. 연구진은 대장, 폐, 유방, 자궁내막, 자궁경부의 수술로 제거된 종양에서 이전에 볼 수 없었던 슬라이드를 대상으로 CHIEF를 테스트했을 때 90% 이상의 정확도로 작동했습니다.
To get this information, oncologists order DNA sequencing of tumor samples, but such detailed genomic profiling of cancer tissues is not done routinely nor uniformly across the world due to the cost and time involved in sending samples to specialized DNA sequencing labs. Even in well-resourced regions, the process could take several weeks. It’s a gap that AI could fill, Yu said.
Quickly identifying cellular patterns on an image suggestive of specific genomic aberrations could offer a quick and cost-effective alternative to genomic sequencing, the researchers said.
CHIEF outperformed current AI methods for predicting genomic variations in a tumor by looking at the microscopic slides. This new AI approach successfully identified features associated with several important genes related to cancer growth and suppression, and it predicted key genetic mutations related to how well a tumor might respond to various standard therapies. CHIEF also detected specific DNA patterns related to how well a colon tumor might respond to a form of immunotherapy called immune checkpoint blockade. When looking at whole-tissue images, CHIEF identified mutations in 54 commonly mutated cancer genes with an overall accuracy of more than 70 percent, outperforming the current state-of-the-art AI method for genomic cancer prediction. Its accuracy was greater for specific genes in specific cancer types.
The team also tested CHIEF on its ability to predict mutations linked with response to FDA-approved targeted therapies across 18 genes spanning 15 anatomic sites. CHIEF attained high accuracy in multiple cancer types, including 96 percent in detecting a mutation in a gene called EZH2 common in a blood cancer called diffuse large B-cell lymphoma. It achieved 89 percent for BRAF gene mutation in thyroid cancer, and 91 percent for NTRK1 gene mutation in head and neck cancers.
종양의 분자 프로필 예측 종양의 유전자 구성은 종양의 향후 행동과 최적의 치료법을 결정하는 데 중요한 단서를 제공합니다. 종양 전문의는 이 정보를 얻기 위해 종양 샘플의 DNA 시퀀싱을 주문하지만, 암 조직의 상세한 게놈 프로파일링은 전문 DNA 시퀀싱 연구소에 샘플을 보내는 데 드는 비용과 시간 때문에 전 세계적으로 일상적으로 또는 균일하게 수행되지 않고 있습니다. 자원이 풍부한 지역에서도 이 과정은 몇 주가 걸릴 수 있습니다. 이는 AI가 메울 수 있는 격차라고 유는 말했다. 연구진은 특정 게놈 이상을 암시하는 이미지에서 세포 패턴을 빠르게 식별하면 게놈 시퀀싱에 대한 빠르고 비용 효율적인 대안을 제공할 수 있다고 말했다. CHIEF는 현미경 슬라이드를 보고 종양의 게놈 변이를 예측하는 현재의 AI 방법보다 성능이 뛰어났다고 연구진은 밝혔다. 이 새로운 AI 접근 방식은 암 성장 및 억제와 관련된 몇 가지 중요한 유전자와 관련된 특징을 성공적으로 식별했으며, 종양이 다양한 표준 치료법에 얼마나 잘 반응할 수 있는지와 관련된 주요 유전자 변이를 예측했습니다. 또한 CHIEF는 대장 종양이 면역 체크포인트 차단이라는 면역 요법에 얼마나 잘 반응할 수 있는지와 관련된 특정 DNA 패턴을 감지했습니다. 전체 조직 이미지에서 CHIEF는 일반적으로 돌연변이가 발생하는 54개 암 유전자의 돌연변이를 전체적으로 70% 이상의 정확도로 식별하여 현재 게놈 암 예측을 위한 최첨단 AI 방법보다 더 뛰어난 성능을 보였습니다. 특정 암 유형의 특정 유전자에 대한 정확도는 더 높았습니다. 연구팀은 또한 15개 해부학적 부위에 걸쳐 있는 18개 유전자에 대해 FDA 승인 표적 치료제에 대한 반응과 관련된 돌연변이를 예측하는 능력에 대해서도 CHIEF를 테스트했습니다. CHIEF는 미만성 거대 B세포 림프종이라는 혈액암에서 흔히 발생하는 EZH2라는 유전자의 돌연변이를 96% 탐지하는 등 여러 암 유형에서 높은 정확도를 달성했습니다. 갑상선암의 BRAF 유전자 돌연변이는 89%, 두경부암의 NTRK1 유전자 돌연변이는 91%의 정확도를 달성했습니다.
In all cancer types and all patient groups under study, CHIEF distinguished patients with longer-term survival from those with shorter-term survival. CHIEF outperformed other models by 8 percent. And in patients with more advanced cancers, CHIEF outperformed other AI models by 10 percent. In all, CHIEF’s ability to predict high versus low death risk was tested and confirmed across patient samples from 17 different institutions.
환자 생존 예측 CHIEF는 초기 진단 시 얻은 종양 조직 병리 이미지를 기반으로 환자 생존을 성공적으로 예측했습니다. 모든 암 유형과 연구 대상 환자 그룹에서 CHIEF는 장기 생존이 가능한 환자와 단기 생존이 가능한 환자를 구별했습니다. CHIEF는 다른 모델보다 8% 더 뛰어난 성능을 보였습니다. 그리고 더 진행된 암 환자의 경우 CHIEF는 다른 AI 모델보다 10% 더 우수한 성능을 보였습니다. 총 17개 기관의 환자 샘플을 대상으로 CHIEF의 사망 위험이 높은지 낮은지를 예측하는 능력을 테스트하고 확인했습니다.
One such feature was the presence of greater numbers of immune cells in areas of the tumor in longer-term survivors, compared with shorter-term survivors. That finding, Yu noted, makes sense because a greater presence of immune cells may indicate the immune system has been activated to attack the tumor.
When looking at the tumors of shorter-term survivors, CHIEF identified regions of interest marked by the abnormal size ratios between various cell components, more atypical features on the nuclei of cells, weak connections between cells, and less presence of connective tissue in the area surrounding the tumor. These tumors also had a greater presence of dying cells around them. For example, in breast tumors, CHIEF pinpointed as an area of interest the presence of necrosis — or premature cell death — inside the tissues. On the flip side, breast cancers with higher survival rates were more likely to have preserved cellular architecture resembling heathy tissues. The visual features and zones of interest related to survival varied by cancer type, the team noted.
종양 행동에 대한 새로운 인사이트 추출 이 모델은 종양의 공격성 및 환자 생존과 관련된 이미지에서 특징적인 패턴을 식별했습니다. 이러한 관심 영역을 시각화하기 위해 CHIEF는 이미지에 히트 맵을 생성했습니다. 인간 병리학자들은 AI에서 추출한 이러한 핫스팟을 분석하면서 암세포와 주변 조직 간의 상호작용을 반영하는 흥미로운 신호를 발견했습니다. 그러한 특징 중 하나는 단기 생존자에 비해 장기 생존자의 종양 영역에 더 많은 수의 면역 세포가 존재한다는 것이었습니다. 유 박사는 면역 세포가 더 많이 존재한다는 것은 면역 체계가 종양을 공격하기 위해 활성화되었음을 의미할 수 있기 때문에 이러한 발견은 의미가 있다고 말했습니다. 단기 생존자의 종양을 살펴보면 다양한 세포 구성 요소 간의 비정상적인 크기 비율, 세포 핵의 비정형적 특징, 세포 간의 약한 연결, 종양 주변 영역에 결합 조직의 존재가 적은 관심 영역을 식별할 수 있다고 CHIEF는 설명했습니다. 또한 이러한 종양은 주변에 죽어가는 세포가 더 많이 존재했습니다. 예를 들어, 유방 종양에서 CHIEF는 조직 내부에 괴사 또는 조기 세포 사멸이 존재하는 것을 관심 영역으로 정확히 찾아냈습니다. 반대로 생존율이 높은 유방암은 열 조직과 유사한 세포 구조가 보존되어 있을 가능성이 더 높았습니다. 연구팀은 생존과 관련된 시각적 특징과 관심 영역은 암 유형에 따라 다르다고 지적했습니다.
Next steps
The researchers said they plan to refine CHIEF’s performance and augment its capabilities by:
- Conducting additional training on images of tissues from rare diseases and non-cancerous conditions.
- Including samples from pre-malignant tissues before cells become fully cancerous.
- Exposing the model to more molecular data to enhance its ability to identify cancers with different levels of aggressiveness.
- Training the model to also predict the benefits and adverse effects of novel cancer treatments in addition to standard treatments.
종양 행동에 대한 새로운 인사이트 추출 이 모델은 종양의 공격성 및 환자 생존과 관련된 이미지에서 특징적인 패턴을 식별했습니다. 이러한 관심 영역을 시각화하기 위해 CHIEF는 이미지에 히트 맵을 생성했습니다. 인간 병리학자들은 AI에서 추출한 이러한 핫스팟을 분석하면서 암세포와 주변 조직 간의 상호작용을 반영하는 흥미로운 신호를 발견했습니다. 그러한 특징 중 하나는 단기 생존자에 비해 장기 생존자의 종양 영역에 더 많은 수의 면역 세포가 존재한다는 것이었습니다. 유 박사는 면역 세포가 더 많이 존재한다는 것은 면역 체계가 종양을 공격하기 위해 활성화되었음을 의미할 수 있기 때문에 이러한 발견은 의미가 있다고 말했습니다. 단기 생존자의 종양을 살펴보면 다양한 세포 구성 요소 간의 비정상적인 크기 비율, 세포 핵의 비정형적 특징, 세포 간의 약한 연결, 종양 주변 영역에 결합 조직의 존재가 적은 관심 영역을 식별할 수 있다고 CHIEF는 설명했습니다. 또한 이러한 종양은 주변에 죽어가는 세포가 더 많이 존재했습니다. 예를 들어, 유방 종양에서 CHIEF는 조직 내부에 괴사 또는 조기 세포 사멸이 존재하는 것을 관심 영역으로 정확히 찾아냈습니다. 반대로 생존율이 높은 유방암은 열 조직과 유사한 세포 구조가 보존되어 있을 가능성이 더 높았습니다. 연구팀은 생존과 관련된 시각적 특징과 관심 영역은 암 유형에 따라 다르다고 지적했습니다.
이제 AI를 이용해서 암을 정복할 날이 멀지 않았을까요? 과연..
'영어 해석 > IT 관련 해석' 카테고리의 다른 글
| 2024년 소프트웨어 엔지니어 연봉 통계(미국기준) (1) | 2025.01.09 |
|---|---|
| 조직에서의 AI: 몇가지 전술 (13) | 2024.10.17 |
