MIT ja Massi üldhaigla on välja töötanud AI-süsteemi, mis suudab tuvastada kopsuvähki

Kopsuvähk on laastav haigus. Vastavalt World Health Organization, on kopsuvähk üks levinumaid surmapõhjuseid kogu maailmas, moodustades ainuüksi 2.21. aastal ligi 2020 miljonit juhtu. Oluline on see, et haigus võib olla progresseeruv; see tähendab, et paljude jaoks võib see alata lihtsalt kergete sümptomitena, mis ei tekita häiret, enne kui areneb kiiresti eluohtlikuks diagnoosiks, mis viib surma. Õnneks on kopsuvähiga patsientide abistamisele keskendunud ravimite valik viimase kahe aastakümne jooksul tohutult kasvanud. Vähi varajane avastamine on aga endiselt üks ainsatest vahenditest suremuse oluliseks vähendamiseks.

Üks märkimisväärne saavutus sellel areenil on Massachusettsi Tehnoloogiainstituudi (MIT) ja Mass General Hospital (MGH) hiljutine teade süvaõppe mudeli nimega "Sybil" väljatöötamise kohta, mida saab kasutada andmete põhjal kopsuvähi riski ennustamiseks. vaid ühest CT-skaneerimisest. The õppima avaldati eelmisel nädalal ametlikult ajakirjas Journal of Clinical Oncology ja arutletakse selle üle, kuidas "tööriistad, mis pakuvad personaalset tulevase vähiriski hindamist, võiksid suunata lähenemisviisid neile, kes saavad kõige tõenäolisemalt kasu." Seetõttu väitsid uuringu juhid, et "süvaõppe mudeli, mis hindab kogu mahulist LDCT [madala annuse kontrastsusega CT] andmeid, saab luua individuaalse riski prognoosimiseks ilma täiendavaid demograafilisi või kliinilisi andmeid nõudmata."

Mudel algab põhiprintsiibiga: "LDCT-pildid sisaldavad teavet, mis ennustab tulevase kopsuvähi riski lisaks praegu tuvastatavatele tunnustele, nagu kopsusõlmed." Seetõttu püüdsid arendajad "välja töötada ja kinnitada sügava õppimise algoritmi, mis ennustab tulevase kopsuvähi riski 6 aasta jooksul alates ühest LDCT-skaneerimisest ja hindab selle võimalikku kliinilist mõju."

Üldiselt on uuring siiani olnud märkimisväärselt edukas: Sybil suudab teatud täpsusega ennustada patsiendi tulevast kopsuvähi riski, kasutades ainult ühe LDCT andmeid.

Kahtlemata on selle tehnoloogia kliinilised rakendused ja tagajärjed veel ebaküpsed. Isegi uuringu juhid nõustuvad, et tuleb teha märkimisväärset tööd, et täpselt välja selgitada, kuidas seda tehnoloogiat tegelikus kliinilises praktikas rakendada – eelkõige seoses tehnoloogia vastu teatud kindlustunde arendamisega, millele arstid ja patsiendid tunnevad end turvaliselt usaldades. süsteemi väljundid.

Algoritmi eeldus on aga endiselt uskumatult võimas ja võib ennustava diagnostika valdkonnas potentsiaalselt muutuda.

Diagnostilised meetmed pole kunagi varem olnud nii võimsad. Asjaolu, et tööriist saab kasutada ainult ühte CT-skannimist, et ennustada pikaajalist haigusfunktsiooni, võib potentsiaalselt lahendada palju probleeme, millest kõige olulisem on varajase ravi võimaldamine ja suremuse vähenemine.

Teadlased võivad esmapilgul punastada selliste süsteemide vastu, märkides, et ükski tehisintellektisüsteem ei suuda kohtuotsusele ja kliinilistele võimetele piisavalt hästi vastata, et asendada inimarsti. Kuid selliste süsteemide eesmärk ei ole tingimata asendada arstide teadmisi, vaid pigem suurendada füüsilisi töövooge.

Sellist süsteemi nagu Sybil saab väga lihtsalt kasutada soovitusvahendina, mis märgib potentsiaalselt seotud CT-dega arstile, kes saab seejärel kasutada oma kliinilist hinnangut, et Sybili soovitusega nõustuda või mitte nõustuda. See mitte ainult ei paranda tõenäoliselt kliinilist läbilaskevõimet, vaid võib toimida ka sekundaarse "kontrolli" protsessina ja võib-olla suurendada diagnostilist täpsust.

Kahtlemata on sellel areenil veel palju tööd teha. Teadlastel, arendajatel ja novaatoritel seisab ees pikk teekond mitte ainult tegeliku algoritmi ja süsteemi enda täiustamisel, vaid ka selle tehnoloogia tegelikesse kliinilistesse rakendustesse juurutamise ülinüansirikkal areenil liikumisel. Sellegipoolest on tehnoloogia, kavatsused ja potentsiaal, mis sellel on patsientide ravi parandamiseks, kui see on välja töötatud ohutul, eetilisel ja tõhusal viisil, tulevase diagnostika genereerimise jaoks paljulubav.