MIT & Mass General Hospital vyvinuli systém AI, ktorý dokáže odhaliť rakovinu pľúc

Rakovina pľúc je zničujúce ochorenie. Podľa Svetová zdravotnícka organizáciaRakovina pľúc je celosvetovo jednou z najčastejších príčin úmrtí, pričom len v roku 2.21 predstavuje takmer 2020 milióna prípadov. Dôležité je, že ochorenie môže byť progresívne; to znamená, že pre mnohých to môže začať len ako mierne symptómy, ktoré nevyvolávajú alarm, a potom sa rýchlo rozvinie do život ohrozujúcej diagnózy, ktorá vedie k smrti. Našťastie, rozsah terapeutík zameraných na pomoc pacientom s rakovinou pľúc za posledné dve desaťročia ohromne vzrástol. Včasné odhalenie rakoviny je však stále jedným z mála spôsobov, ako výrazne znížiť úmrtnosť.

Jedným z pozoruhodných úspechov v tejto oblasti je nedávne oznámenie Massachusettského technologického inštitútu (MIT) a Mass General Hospital (MGH) týkajúce sa vývoja modelu hlbokého učenia s názvom „Sybil“, ktorý možno použiť na predpovedanie rizika rakoviny pľúc pomocou údajov. len z jedného CT vyšetrenia. The študovať bol formálne publikovaný v Journal of Clinical Oncology minulý týždeň a hovorí o tom, ako „nástroje, ktoré poskytujú personalizované hodnotenie budúceho rizika rakoviny, by mohli zamerať prístupy na tých, ktorí budú s najväčšou pravdepodobnosťou profitovať“. Vedúci štúdie preto uviedli, že „model hlbokého učenia, ktorý hodnotí celé objemové údaje LDCT [nízkeho kontrastu CT], možno zostaviť na predpovedanie individuálneho rizika bez toho, aby sa vyžadovali ďalšie demografické alebo klinické údaje.

Model začína základným princípom: „Obrázky LDCT obsahujú informácie, ktoré predpovedajú budúce riziko rakoviny pľúc nad rámec v súčasnosti identifikovateľných znakov, ako sú pľúcne uzliny. Preto sa vývojári snažili „vyvinúť a overiť algoritmus hlbokého učenia, ktorý predpovedá budúce riziko rakoviny pľúc na 6 rokov od jedného skenovania LDCT, a posúdiť jeho potenciálny klinický dopad“.

Celkovo bola štúdia doteraz pozoruhodne úspešná: Sybil je schopná predpovedať budúce riziko rakoviny pľúc pacienta do určitej miery presnosti pomocou údajov iba z jedného LDCT.

Klinické aplikácie a dôsledky pre túto technológiu sú bezpochyby stále nezrelé. Dokonca aj vedúci štúdie súhlasia s tým, že bude potrebné urobiť veľa práce, aby sa zistilo, ako presne túto technológiu aplikovať v skutočnej klinickej praxi – konkrétne s ohľadom na rozvoj určitého stupňa dôvery v technológiu, s ktorou sa lekári a pacienti budú cítiť bezpečne a spoľahnúť sa na ňu. výstupy systému.

Predpoklad algoritmu je však stále neuveriteľne silný a predstavuje potenciálnu zmenu hry v oblasti prediktívnej diagnostiky.

Diagnostické opatrenia ešte nikdy neboli také účinné. Skutočnosť, že nástroj môže použiť iba jedno CT vyšetrenie na predpovedanie dlhodobej funkcie ochorenia, by potenciálne mohla vyriešiť mnoho problémov – najdôležitejším z nich je umožnenie včasnej liečby a zníženie úmrtnosti.

Vedci sa na prvý pohľad môžu proti systémom, ako sú tieto, odraziť a poznamenať, že žiadny systém umelej inteligencie sa nemôže vyrovnať úsudku a klinickej zdatnosti natoľko, aby nahradil ľudského lekára. Účelom takýchto systémov však nie je nevyhnutne nahradiť odbornosť lekárov, ale skôr potenciálne rozšíriť pracovné postupy lekárov.

Systém ako Sybil by sa dal veľmi ľahko použiť ako odporúčací nástroj, ktorý by potenciálne označoval CT lekárom, ktorý by potom mohol použiť svoj vlastný klinický úsudok na súhlas alebo nesúhlas so Sybiliným odporúčaním. To by pravdepodobne nielen zlepšilo klinickú priepustnosť, ale mohlo by to pôsobiť aj ako sekundárny „kontrolný“ proces a prípadne by sa zvýšila presnosť diagnostiky.

Nepochybne je v tejto aréne ešte veľa práce. Vedci, vývojári a inovátori majú pred sebou dlhú cestu nielen pri zdokonaľovaní samotného algoritmu a systému, ale aj pri navigácii v prepracovanej aréne zavádzania tejto technológie do skutočných klinických aplikácií. Napriek tomu je technológia, zámer a potenciál, ktorý v sebe skrýva v súvislosti so zlepšením starostlivosti o pacienta, ak sa bude vyvíjať bezpečným, etickým a účinným spôsobom, skutočne sľubný pre ďalšiu generáciu diagnostiky.