MIT i Mass General Hospital opracowali system sztucznej inteligencji, który może wykryć raka płuc

Rak płuc to wyniszczająca choroba. Według Światowa Organizacja Zdrowia, rak płuc jest jedną z najczęstszych przyczyn zgonów na całym świecie, odpowiadając za prawie 2.21 miliona przypadków w samym 2020 roku. Co ważne, choroba może być postępująca; to znaczy dla wielu może zacząć się od łagodnych objawów, które nie budzą niepokoju, zanim szybko przekształci się w diagnozę zagrażającą życiu, prowadzącą do śmierci. Na szczęście zakres terapii ukierunkowanych na pomoc pacjentom z rakiem płuc ogromnie się rozrósł w ciągu ostatnich dwóch dekad. Jednak wczesne wykrycie nowotworu jest nadal jednym z niewielu sposobów na znaczne zmniejszenie śmiertelności.

Jednym z godnych uwagi osiągnięć w tej dziedzinie jest niedawne ogłoszenie przez Massachusetts Institute of Technology (MIT) i Mass General Hospital (MGH) dotyczące opracowania modelu głębokiego uczenia się o nazwie „Sybil”, który można wykorzystać do przewidywania ryzyka raka płuc, wykorzystując dane z jednego tomografii komputerowej. The „The Puzzle of Monogamous Marriage” został oficjalnie opublikowany w Journal of Clinical Oncology w zeszłym tygodniu i omawia, w jaki sposób „narzędzia zapewniające spersonalizowaną ocenę przyszłego ryzyka zachorowania na raka mogą ukierunkować podejście na tych, którzy z największym prawdopodobieństwem odniosą korzyści”. W związku z tym liderzy badania stwierdzili, że „model głębokiego uczenia się oceniający całe dane wolumetryczne LDCT [CT z niskim kontrastem dawki] można zbudować w celu przewidywania indywidualnego ryzyka bez wymagania dodatkowych danych demograficznych lub klinicznych”.

Model zaczyna się od podstawowego założenia: „Obrazy LDCT zawierają informacje, które przewidują przyszłe ryzyko raka płuc, wykraczające poza obecnie możliwe do zidentyfikowania cechy, takie jak guzki w płucach”. Dlatego twórcy starali się „opracować i zweryfikować algorytm głębokiego uczenia się, który przewiduje przyszłe ryzyko raka płuc do 6 lat na podstawie pojedynczego skanu LDCT i ocenić jego potencjalny wpływ kliniczny”.

Ogólnie rzecz biorąc, badanie było jak dotąd niezwykle udane: Sybil jest w stanie przewidzieć przyszłe ryzyko raka płuc pacjenta z pewnym stopniem dokładności, wykorzystując dane z tylko jednego LDCT.

Bez wątpienia zastosowania kliniczne i implikacje dla tej technologii są wciąż niedojrzałe. Nawet liderzy badań zgadzają się, że trzeba będzie wykonać znaczną pracę, aby dowiedzieć się, jak dokładnie zastosować tę technologię w rzeczywistej praktyce klinicznej - szczególnie w odniesieniu do rozwijania stopnia zaufania do technologii, z którym lekarze i pacjenci będą czuli się bezpiecznie polegając na wyjścia systemu.

Jednak założenie algorytmu jest nadal niezwykle potężne i pociąga za sobą potencjalną zmianę gry w dziedzinie diagnostyki predykcyjnej.

Środki diagnostyczne nigdy wcześniej nie były tak potężne. Fakt, że narzędzie może wykorzystywać tylko jeden tomograf komputerowy do przewidywania długoterminowej funkcji choroby, może potencjalnie rozwiązać wiele problemów — z których najważniejszym jest umożliwienie wczesnego leczenia i zmniejszenie śmiertelności.

Eksperci, na pierwszy rzut oka, mogą sprzeciwiać się takim systemom, zauważając, że żaden system sztucznej inteligencji nie byłby w stanie dopasować się do osądu i sprawności klinicznej na tyle dobrze, aby zastąpić ludzkiego lekarza. Ale celem takich systemów niekoniecznie jest zastąpienie wiedzy specjalistycznej lekarzy, ale raczej potencjalne zwiększenie przepływów pracy lekarzy.

System taki jak Sybil może być bardzo łatwo użyty jako narzędzie rekomendacyjne, sygnalizując lekarzowi potencjalnie dotyczące tomografii komputerowej, który następnie może na podstawie własnej oceny klinicznej zgodzić się lub nie zgodzić się z zaleceniem Sybil. Nie tylko prawdopodobnie poprawiłoby to przepustowość kliniczną, ale mogłoby również działać jako wtórny proces „sprawdzania” i prawdopodobnie zwiększyć dokładność diagnostyczną.

Nie ulega wątpliwości, że w tej dziedzinie jest jeszcze wiele do zrobienia. Naukowcy, programiści i innowatorzy mają przed sobą długą podróż nie tylko w doskonaleniu samego algorytmu i systemu, ale także w poruszaniu się po hiper-niuansowej arenie wprowadzania tej technologii do rzeczywistych zastosowań klinicznych. Niemniej jednak technologia, intencja i potencjał, jaki ma w zakresie poprawy opieki nad pacjentem, jeśli zostanie opracowany w sposób bezpieczny, etyczny i skuteczny, jest rzeczywiście obiecujący dla przyszłej generacji diagnostyki.