Een internationaal team heeft een model van artificiële intelligentie ontwikkeld dat eenvoudige PSA-bloedtesten kan omzetten in een digitale replica van de prostaatkanker van elke patiënt. Dit onderzoek, gepubliceerd in het tijdschrift npj Digital Medicine (Nature), maakt de weg vrij voor een nieuwe generatie klinisch bruikbare digitale tweelingen.
Het model is gebaseerd op de integratie van een neuraal netwerk in een fysisch model van de verspreiding van PSA vanuit de tumor naar het bloed. Door biologische gegevens (PSA) te combineren met de mechanische wetten van tumorgroei, kan het algoritme het tumorvolume van de patiënt over een periode van meer dan tweeënhalf jaar in 3D reconstrueren, met een nauwkeurigheid van ongeveer 12%, zelfs wanneer de PSA-waarden stabiel lijken.
“PSA geeft vaak de illusie van stabiliteit, maar dit model onthult stille progressies die anders aan de clinicus zouden ontsnappen”, merken de auteurs op.
Verklaarbare en gepersonaliseerde artificiële intelligentie
In tegenstelling tot puur statistische AI-benaderingen integreert dit zogenaamde “fysisch geïnformeerde” model fundamentele biomedische kennis in machine learning. Deze hybride architectuur zorgt zowel voor robuuste voorspellingen als voor interpretatie, door gebruik te maken van de klassieke verspreidingswetten om het tumorvolume te koppelen aan de bloedconcentraties.
Concrete toepassingen in niet-invasieve monitoring
Concreet betekent dit dat elke patiënt een ‘digitale tweeling’ kan krijgen die de ontwikkeling van zijn tumor continu volgt. Dit systeem zou de actieve monitoring in de oncologie kunnen verrijken, met name bij indolente vormen van prostaatkanker. Het zou ook een fijnere afstemming van de behandeling mogelijk maken door morfologische veranderingen te detecteren die niet zichtbaar zijn met standaard beeldvormende onderzoeken of geïsoleerde PSA-variaties.
Naar een meer verfijnde voorspellende geneeskunde
Onderzoekers zijn van mening dat dit type model snel kan worden toegepast op andere soorten kanker of biomarkers. De studie benadrukt het potentieel van AI om biologische indicatoren die als weinig specifiek of weinig gevoelig worden beschouwd, weer een klinische betekenis te geven, op voorwaarde dat ze in een strikt fysiologisch kader worden geplaatst.
De ontwikkeling van deze digitale tweeling is gebaseerd op geanonimiseerde retrospectieve gegevens van patiënten en moet prospectief worden gevalideerd voordat deze op grote schaal in de klinische praktijk kan worden toegepast.
