Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Détection précoce du cancer du pancréas grâce à l'apprentissage multimodal sur le dossier médical électronique
Created by
Haebom
Auteur
Mosbah Aouad, Anirudh Choudhary, Awais Farooq, Steven Nevers, Lusine Demirkhanyan, Bhrandon Harris, Suguna Pappu, Christopher Gondi, Ravishankar Iyer
Contour
L'adénocarcinome canalaire pancréatique (ACP) est un cancer hautement mortel, rendant son diagnostic précoce difficile en raison de ses symptômes caractéristiques et de l'absence de biomarqueurs fiables. Dans cette étude, nous proposons une nouvelle approche multimodale intégrant l'historique longitudinal des codes de diagnostic issus des dossiers médicaux électroniques et des mesures de laboratoire régulièrement collectées. Cette méthode combine des équations différentielles contrôlées par neurones pour modéliser des séries temporelles irrégulières de laboratoire, des modèles de langage pré-entraînés et des réseaux de neurones récurrents pour apprendre les représentations de trajectoires des codes de diagnostic, ainsi qu'un mécanisme d'attention croisée pour capturer les interactions entre les deux modalités. Nous avons développé et évalué cette approche sur un ensemble de données réelles d'environ 4 700 patients, démontrant une amélioration de l'ASC de 6,5 % à 15,5 % par rapport aux méthodes de pointe. De plus, nous avons identifié un panel de codes de diagnostic et de tests de laboratoire associés à un risque accru d'ACP, incluant des biomarqueurs établis et nouveaux. Les codes sont disponibles à l'adresse https://github.com/MosbahAouad/EarlyPDAC-MML .
L’intégration de données multimodales (historique des codes de diagnostic et mesures de laboratoire) provenant des dossiers médicaux électroniques a amélioré les performances du diagnostic précoce du PDAC.
◦
Nous avons obtenu des performances qui ont amélioré l’ASC de 6,5 % à 15,5 % par rapport aux méthodes de pointe.
◦
A contribué à l’identification de nouveaux biomarqueurs associés à un risque accru de PDAC.
◦
Nous rendons public le code du modèle développé pour favoriser la reproductibilité et la recherche ultérieure.
•
Limitations:
◦
La taille et la diversité de l'ensemble de données utilisé dans l'étude ne sont pas explicitement mentionnées. Une validation supplémentaire de la généralisabilité pourrait être nécessaire.
◦
Il peut être nécessaire d’élucider davantage les mécanismes biologiques sous-jacents à l’association entre des codes diagnostiques spécifiques et un risque accru dans les panels de laboratoire.
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité à d’autres types de cancer ou de maladies.
