研究人员建立了两种机器学习算法，可以以比当前诊断标准更高的阈值检测胰腺癌。这两个模型共同构成了“PRISM”神经网络。它专门用于检测胰腺导管腺癌(PDAC)，这是最常见的胰腺癌形式。
目前标准的PDAC筛查标准在专业人员检查的患者中发现了大约10%的病例。相比之下，麻省理工学院的PRISM能够识别35%的PDAC病例。
虽然使用并不是一项全新的壮举，但麻省理工学院的PRISM因其开发方式而脱颖而出。神经网络的编程是基于对来自美国各地医疗机构的各种真实电子健康记录的访问。该团队的研究人员表示，超过500万名患者的电子健康记录数据“超过了”在这一特定研究领域提供给人工智能模型的信息的“规模”。“该模型使用常规临床和实验室数据进行预测，美国人口的多样性是其他PDAC模型的重大进步，这些模型通常仅限于特定的地理区域，如美国的一些医疗中心，”该论文的高级作者，麻省理工学院CSAIL博士Kai Jia说。
麻省理工学院的PRISM项目开始于6年前。开发一种可以早期检测PDAC的算法背后的动机与大多数患者在癌症发展的后期阶段被诊断出来的事实有很大关系-特别是大约80%的患者被诊断得太晚了。
人工智能通过分析患者的人口统计数据、以前的诊断、护理计划中当前和以前的药物以及实验室结果来工作。总的来说，该模型通过分析电子健康记录数据，以及患者的年龄和生活方式中明显的某些风险因素，来预测癌症的可能性。尽管如此，PRISM仍然只能以人工智能能够达到大众的速度帮助诊断尽可能多的患者。目前，这项技术只能在美国选定患者使用。扩展人工智能的后勤挑战将涉及为算法提供更多样化的数据集，甚至可能是全球健康概况，以增加可访问性。
尽管如此，这并不是麻省理工学院第一次尝试开发可以预测癌症风险的人工智能模型。值得注意的是，它开发了一种方法来训练模型如何使用乳房x光检查记录来预测女性的年龄。麻省理工学院的专家证实，在这方面的研究中，数据集越多样化，人工智能在诊断癌症和人群方面就越好。能够预测癌症概率的人工智能模型的持续发展，不仅可以在早期发现恶性肿瘤的情况下改善患者的治疗效果，还可以减轻医生的工作量。人工智能在诊断领域的市场变化时机已经成熟，以至于引起了大型科技企业的兴趣，它们试图开发一种可以提前一年检测乳腺癌的人工智能程序。