MIT & Mass General Hospital sta razvila sistem umetne inteligence, ki lahko odkrije pljučnega raka

Pljučni rak je uničujoča bolezen. Glede na Svetovna zdravstvena organizacija, je pljučni rak eden najpogostejših vzrokov smrti po vsem svetu, saj je samo leta 2.21 povzročil skoraj 2020 milijona primerov. Pomembno je, da je bolezen lahko progresivna; to pomeni, da se lahko pri mnogih začne le kot blagi simptomi, ki ne vzbujajo alarma, preden se hitro razvije v življenjsko nevarno diagnozo, ki vodi v smrt. Na srečo se je obseg terapevtikov, osredotočenih na pomoč bolnikom s pljučnim rakom, v zadnjih dveh desetletjih izjemno povečal. Vendar pa je zgodnje odkrivanje raka še vedno eden od edinih načinov za znatno zmanjšanje umrljivosti.

Eden pomembnih dosežkov na tem področju je nedavna objava Tehnološkega inštituta Massachusetts (MIT) in Mass General Hospital (MGH) glede razvoja modela globokega učenja, imenovanega »Sybil«, ki ga je mogoče uporabiti za napovedovanje tveganja za pljučnega raka na podlagi podatkov. iz samo enega CT skeniranja. The študija je bil prejšnji teden uradno objavljen v Journal of Clinical Oncology in razpravlja o tem, kako bi lahko "orodja, ki zagotavljajo prilagojeno prihodnjo oceno tveganja za raka, osredotočila pristope k tistim, ki jim bo najverjetneje koristilo." Zato so vodje študije navedli, da bi "model globokega učenja, ki ocenjuje celotne volumetrične podatke LDCT [Low Dose Contrast CT], lahko zgradil za napovedovanje posameznega tveganja, ne da bi zahteval dodatne demografske ali klinične podatke."

Model se začne z osnovnim načelom: "LDCT slike vsebujejo informacije, ki napovedujejo prihodnje tveganje za pljučni rak, poleg trenutno prepoznavnih značilnosti, kot so pljučni noduli." Zato so razvijalci poskušali "razviti in potrditi algoritem globokega učenja, ki napoveduje prihodnje tveganje za pljučni rak do 6 let od enega samega skeniranja LDCT, in oceniti njegov potencialni klinični učinek."

Na splošno je bila študija doslej izjemno uspešna: Sybil lahko do določene mere natančno napove pacientovo prihodnje tveganje za pljučni rak, pri čemer uporablja podatke samo enega LDCT.

Brez dvoma so klinične aplikacije in posledice za to tehnologijo še vedno nezrele. Celo vodje študije se strinjajo, da bo treba opraviti veliko dela, da bi natančno ugotovili, kako uporabiti to tehnologijo v dejanski klinični praksi - zlasti v zvezi z razvojem stopnje zaupanja v tehnologijo, s katero se bodo zdravniki in bolniki počutili varne, če se zanašajo nanjo. izhode sistema.

Vendar pa je predpostavka algoritma še vedno neverjetno močna in vključuje potencialno spremembo igre na področju napovedne diagnostike.

Diagnostični ukrepi še nikoli niso bili tako močni. Dejstvo, da lahko orodje uporabi samo eno računalniško tomografijo za napovedovanje dolgotrajnega delovanja bolezni, bi lahko potencialno rešilo številne težave – med katerimi je najpomembnejša omogočanje zgodnjega zdravljenja in zmanjšana umrljivost.

Strokovnjaki, ki so na začetku zardevali, se lahko upirajo takšnim sistemom in trdijo, da se noben sistem umetne inteligence ne more dovolj dobro ujemati s presojo in klinično močjo, da bi nadomestil človeškega zdravnika. Toda namen sistemov, kot je ta, ni nujno nadomestiti strokovno znanje zdravnikov, temveč potencialno povečati potek dela zdravnikov.

Sistem, kot je Sybil, bi lahko zelo enostavno uporabili kot orodje za priporočila, pri čemer bi zdravniku označili potencialno zadevne CT-je, ki bi se lahko nato na podlagi lastne klinične presoje bodisi strinjali ali ne strinjali s Sybilinim priporočilom. To ne bi le verjetno izboljšalo kliničnega pretoka, ampak bi lahko delovalo tudi kot sekundarni postopek "preverjanja" in morda povečalo diagnostično natančnost.

Nedvomno je v tej areni še veliko dela. Znanstveniki, razvijalci in inovatorji imajo pred sabo dolgo pot ne le pri izpopolnjevanju dejanskega algoritma in samega sistema, ampak tudi pri krmarjenju po zelo niansirani areni uvajanja te tehnologije v dejanske klinične aplikacije. Kljub temu so tehnologija, namen in potencial, ki ga ima v zvezi z izboljšanjem oskrbe pacientov, če je razvita na varen, etičen in učinkovit način, resnično obetavni za generacijo diagnostike, ki prihaja.