Para peneliti Universitas Stanford telah mengembangkan model AI, MUSK, untuk meningkatkan metode diagnosis, pengobatan, dan prognosis kanker. MUSK bertujuan untuk mempersonalisasi pengobatan kanker dengan menganalisis data medis unik pasien. Associate Professor Ruijiang Li menyoroti kebaruan model dasar multimoda dalam AI medis dan menunjukkan keterbatasan model yang ada yang memerlukan data pasangan gambar-teks untuk pra-pelatihan.

Mengintegrasikan data medis yang kompleks untuk perencanaan perawatan merupakan tantangan bagi dokter dan model AI. MUSK mengatasi masalah ini dengan menggunakan pembelajaran mendalam untuk memproses teks klinis dan gambar patologi guna mengidentifikasi pola yang mungkin tidak terlihat oleh dokter manusia. Pendekatan dua tahap model ini dimulai dengan belajar dari data yang tidak berpasangan, lalu menyempurnakan pemahamannya dengan data gambar dan teks yang berpasangan. Hal ini memungkinkan MUSK untuk mengenali jenis kanker, memprediksi biomarker, dan menyarankan perawatan setelah dilatih terlebih dahulu pada kumpulan data gambar dan teks patologi yang sangat banyak.

Jinxi Xiang, penulis utama studi tersebut, merinci pra-pelatihan MUSK yang ekstensif pada GPU NVIDIA, yang memungkinkan model tersebut menangani kumpulan data besar secara efisien. Performa model AI diuji pada berbagai tolok ukur patologi dan mengungguli model yang ada dalam mencocokkan gambar dan teks medis serta menafsirkan pertanyaan terkait patologi. Kemampuan MUSK mencakup deteksi dan klasifikasi subtipe kanker yang lebih baik, dan prediksi yang andal tentang hasil kelangsungan hidup dan respons terhadap imunoterapi.

Penulis studi menyoroti bahwa MUSK dapat diadaptasi ke berbagai lingkungan klinis dengan pelatihan minimal, yang berpotensi meningkatkan efisiensi alur kerja onkologi. Pekerjaan di Future akan memvalidasi model tersebut pada berbagai populasi pasien dan aplikasi penting seperti pengambilan keputusan pengobatan. Tim peneliti juga berupaya memperluas MUSK ke jenis data medis lainnya. Hasil penelitian dan sumber daya tersedia untuk umum di GitHub untuk pengembangan dan penggunaan lebih lanjut oleh komunitas medis.