Пройдя процедуру ПЭТ-сканирования, можно понять, насколько это утомительно. Такие исследования позволяют врачам выявлять рак и отслеживать его распространение, однако сам процесс создает множество неудобств для пациентов.
Все начинается с голодания на протяжении четырех-шести часов перед визитом в клинику, и это особенно сложно, если вы проживаете в сельской местности, где ближайший центр с ПЭТ-сканером расположен далеко. По прибытии в больницу пациенту вводят радиоактивное вещество, после чего необходимо ожидать около часа, пока оно распределится по организму. Затем следует процедура в ПЭТ-сканере, где нужно сохранять неподвижность в течение 30 минут для получения изображения. По окончании требуется избегать контакта с пожилыми людьми, детьми и беременными женщинами до 12 часов, поскольку организм остается частично радиоактивным.
Еще одним ограничением служит концентрация ПЭТ-сканеров в крупных городах, поскольку радиоактивные следящие вещества производятся в близлежащих циклотронах — компактных ядерных установках — и должны использоваться в течение нескольких часов, что затрудняет доступ в отдаленных и региональных медицинских учреждениях.
А что, если применить искусственный интеллект для преобразования КТ-сканирований, которые гораздо доступнее и дешевле, в эквивалент ПЭТ-сканирований? Именно такую идею предлагает RADiCAIT, спин-офф Оксфордского университета, вышедший из стелс-режима в этом месяце с привлечением 1,7 миллиона долларов в раунде pre-seed. Эта компания из Бостона вошла в топ-20 финалистов Startup Battlefield и недавно начала сбор 5 миллионов долларов для продвижения клинических испытаний.
Мы взяли наиболее ограниченное, сложное и дорогое решение в области радиологической визуализации и заменили его на самое доступное, простое и экономичное — КТ-сканирование, — отметил Шон Уолш, генеральный директор RADiCAIT, в беседе с TechCrunch.
Ключевой элемент технологии RADiCAIT — это базовая модель, представляющая собой генеративную глубокую нейронную сеть, разработанную в 2021 году в Оксфордском университете командой под руководством сооснователя компании и главного медицинского информационного офицера Реджента Ли.
Модель обучается, сопоставляя КТ- и ПЭТ-сканирования, выявляя связи между ними и определяя закономерности в их взаимосвязях. Сино Шахандех, главный технолог RADiCAIT, объясняет это как установление связей между различными физическими процессами путем перевода анатомической структуры в физиологическую функцию. Далее модель настраивается на акцент на конкретных элементах изображений, таких как типы тканей или аномалии. Этот процесс повторяется многократно с разнообразными примерами, чтобы модель могла распознавать клинически значимые паттерны.
Итоговое изображение, которое предоставляется врачам для анализа, формируется путем интеграции нескольких моделей, работающих совместно. Шахандех сравнивает этот метод с AlphaFold от Google DeepMind, системой ИИ, преобразившей предсказание структуры белков: обе технологии обучаются переводить один вид биологической информации в другой.
Команда RADiCAIT утверждает, что может математически доказать статистическое сходство их синтетических ПЭТ-изображений с реальными химическими ПЭТ-сканированиями.
Об этом свидетельствуют наши испытания: качество решений остается на том же уровне, когда врачам, радиологам или онкологам предоставляют либо химическое ПЭТ, либо наше ИИ-генерированное ПЭТ, — пояснил Уолш.
RADiCAIT не претендует на полную замену ПЭТ-сканирований в специфических терапевтических сценариях, таких как радиолигандная терапия для уничтожения раковых клеток. Однако для целей диагностики, стадирования и мониторинга технология RADiCAIT может сделать традиционные ПЭТ-сканирования ненужными.
Поскольку система так ограничена, предложение не покрывает спрос на диагностику и тэраностику, — отметил Уолш, имея в виду медицинский подход, сочетающий диагностическую визуализацию (например, ПЭТ-сканирования) с целевой терапией для лечения заболеваний (в частности, рака). Мы стремимся удовлетворить этот спрос в диагностической области. ПЭТ-сканеры смогут сосредоточиться на тэраностических задачах.
RADiCAIT уже запустила клинические пилотные проекты, ориентированные на тестирование при раке легких, в сотрудничестве с крупными медицинскими системами, такими как Mass General Brigham и UCSF Health. Сейчас компания готовится к клиническому испытанию под эгидой FDA — более затратному и сложному процессу, который стимулирует сбор 5 миллионов долларов в seed-раунде. После одобрения последует этап коммерческих пилотов для демонстрации рыночной жизнеспособности продукта. Кроме того, RADiCAIT планирует применить тот же цикл — клинические пилоты, испытания, коммерческие пилоты — к случаям колоректального рака и лимфомы.
Подход RADiCAIT к использованию ИИ для получения достоверных выводов без нагрузки от сложных и дорогих тестов обладает широкой применимостью, — подчеркнул Шахандех.
Мы изучаем расширения в радиологии, — добавил он. Ожидайте аналогичные инновации, связывающие области от материаловедения до биологии, химии и физики, где можно выявить скрытые природные взаимосвязи.