MIT ir Mass General Hospital sukūrė AI sistemą, kuri gali aptikti plaučių vėžį

Plaučių vėžys yra niokojanti liga. Pagal Pasaulio sveikatos organizacija, plaučių vėžys yra viena dažniausių mirties priežasčių visame pasaulyje, vien 2.21 m. užregistruota beveik 2020 mln. Svarbu tai, kad liga gali progresuoti; tai yra, daugeliui tai gali prasidėti kaip tik lengvi simptomai, kurie nekelia pavojaus, o vėliau greitai virsta gyvybei pavojinga diagnoze, sukeliančia mirtį. Laimei, per pastaruosius du dešimtmečius terapinių priemonių, skirtų pagalbai plaučių vėžiu sergantiems pacientams, asortimentas nepaprastai išaugo. Tačiau ankstyvas vėžio nustatymas vis dar yra viena iš vienintelių priemonių ženkliai sumažinti mirtingumą.

Vienas reikšmingas pasiekimas šioje srityje yra Masačusetso technologijos instituto (MIT) ir Mass General Hospital (MGH) neseniai paskelbtas pranešimas apie gilaus mokymosi modelio, pavadinto „Sybil“, sukūrimą, kuris gali būti naudojamas prognozuojant plaučių vėžio riziką, naudojant duomenis. tik iš vieno CT nuskaitymo. The studija Praėjusią savaitę buvo oficialiai paskelbtas žurnale „Journal of Clinical Oncology“ ir aptariama, kaip „įrankiai, teikiantys individualų būsimą vėžio rizikos vertinimą, galėtų sutelkti dėmesį į tuos, kurie greičiausiai gaus naudos“. Taigi tyrimo vadovai teigė, kad „gali būti sukurtas gilaus mokymosi modelis, įvertinantis visus tūrinius LDCT [Low Dose Contrast CT] duomenis, kad būtų galima numatyti individualią riziką, nereikalaujant papildomų demografinių ar klinikinių duomenų.

Modelis prasideda nuo pagrindinio principo: „LDCT vaizduose yra informacijos, numatančios būsimą plaučių vėžio riziką, be šiuo metu identifikuojamų požymių, tokių kaip plaučių mazgeliai“. Taigi kūrėjai siekė "sukurti ir patvirtinti gilaus mokymosi algoritmą, kuris prognozuoja būsimą plaučių vėžio riziką iki 6 metų nuo vieno LDCT nuskaitymo ir įvertina galimą klinikinį poveikį".

Apskritai tyrimas iki šiol buvo nepaprastai sėkmingas: „Sybil“ gali tam tikru tikslumu numatyti paciento būsimą plaučių vėžio riziką, naudodamas tik vieno LDCT duomenis.

Be jokios abejonės, šios technologijos klinikinis pritaikymas ir pasekmės vis dar nėra subrendusios. Netgi tyrimo vadovai sutinka, kad reikės daug nuveikti, norint tiksliai išsiaiškinti, kaip šią technologiją pritaikyti faktinėje klinikinėje praktikoje, ypač atsižvelgiant į pasitikėjimo šia technologija laipsnį, kuriuo gydytojai ir pacientai jaustųsi saugūs. sistemos išėjimai.

Tačiau algoritmo prielaida vis dar yra neįtikėtinai galinga ir gali pakeisti nuspėjamosios diagnostikos sferą.

Diagnostinės priemonės dar niekada nebuvo tokios galingos. Tai, kad įrankis gali naudoti tik vieną kompiuterinę tomografiją, kad prognozuotų ilgalaikę ligos funkciją, gali potencialiai išspręsti daugybę problemų, iš kurių svarbiausia yra ankstyvas gydymas ir sumažėjęs mirtingumas.

Iš pradžių paraudę žinovai gali atsispirti tokioms sistemoms, kaip šios, pažymėdami, kad jokia dirbtinio intelekto sistema negali pakankamai atitikti sprendimo ir klinikinių gebėjimų, kad pakeistų žmogaus gydytoją. Tačiau tokių sistemų tikslas nebūtinai yra pakeisti gydytojų patirtį, o greičiau padidinti fizines darbo eigas.

Tokią sistemą kaip „Sybil“ būtų galima labai lengvai naudoti kaip rekomendacinį įrankį, kuris gali būti susijęs su KT gydytojui, kuris galėtų remtis savo klinikiniu sprendimu, kad sutiktų arba nesutiktų su Sybil rekomendacija. Tai ne tik pagerintų klinikinį pralaidumą, bet ir galėtų veikti kaip antrinis „patikrinimo“ procesas ir galbūt padidintų diagnostinį tikslumą.

Be jokios abejonės, šioje arenoje dar laukia daug darbo. Mokslininkų, kūrėjų ir novatorių laukia ilga kelionė ne tik tobulinant tikrąjį algoritmą ir pačią sistemą, bet ir naršant itin niuansuotame šios technologijos įdiegimo į faktines klinikines programas arena. Nepaisant to, technologija, ketinimas ir potencialas, kurį jie turi gerinant pacientų priežiūrą, jei jie bus sukurti saugiai, etiškai ir efektyviai, iš tiesų yra daug žadantys ateities diagnostikos kartoms.