MIT & Mass General Hospital ir izstrādājuši AI sistēmu, kas var noteikt plaušu vēzi

Plaušu vēzis ir postoša slimība. Saskaņā ar Pasaules Veselības organizācija, plaušu vēzis ir viens no visizplatītākajiem nāves cēloņiem visā pasaulē, kas veido gandrīz 2.21 miljonu gadījumu tikai 2020. gadā. Svarīgi, ka slimība var būt progresējoša; tas ir, daudziem tas var sākties kā vienkārši viegli simptomi, kas nerada trauksmi, pirms ātri pārvēršas par dzīvībai bīstamu diagnozi, kas noved pie nāves. Par laimi, pēdējo divu desmitgažu laikā terapeitisko līdzekļu klāsts, kas vērsts uz palīdzību pacientiem ar plaušu vēzi, ir ārkārtīgi pieaudzis. Tomēr agrīna vēža atklāšana joprojām ir viens no vienīgajiem līdzekļiem, kā būtiski samazināt mirstības līmeni.

Viens vērā ņemams sasniegums šajā jomā ir Masačūsetsas Tehnoloģiju institūta (MIT) un Masu vispārējās slimnīcas (MGH) nesenais paziņojums par dziļas mācīšanās modeļa ar nosaukumu "Sybil" izstrādi, ko var izmantot, lai prognozētu plaušu vēža risku, izmantojot datus. tikai no vienas CT skenēšanas. The studēt Pagājušajā nedēļā tika oficiāli publicēts žurnālā Journal of Clinical Oncology, un tajā tiek apspriests, kā "rīki, kas nodrošina personalizētu nākotnes vēža riska novērtējumu, varētu koncentrēties uz tiem, kas, visticamāk, gūs labumu." Tāpēc pētījuma vadītāji apgalvoja, ka "var izveidot dziļu mācīšanās modeli, kas novērtē visus tilpuma LDCT [Low Dose Contrast CT] datus, lai prognozētu individuālu risku, neprasot papildu demogrāfiskos vai klīniskos datus."

Modelis sākas ar pamatprincipu: "LDCT attēli satur informāciju, kas paredz turpmāko plaušu vēža risku, pārsniedzot pašlaik identificējamas pazīmes, piemēram, plaušu mezgliņus." Tādējādi izstrādātāji centās "izstrādāt un apstiprināt dziļas mācīšanās algoritmu, kas prognozē turpmāko plaušu vēža risku līdz 6 gadiem no vienas LDCT skenēšanas, un novērtēt tā iespējamo klīnisko ietekmi."

Kopumā pētījums līdz šim ir bijis ļoti veiksmīgs: Sybil spēj paredzēt pacienta turpmāko plaušu vēža risku zināmā mērā, izmantojot datus no tikai viena LDCT.

Bez šaubām, šīs tehnoloģijas klīniskie pielietojumi un ietekme joprojām ir nenobrieduši. Pat pētījuma vadītāji ir vienisprātis, ka būs jāveic ievērojams darbs, lai precīzi noskaidrotu, kā šo tehnoloģiju pielietot faktiskajā klīniskajā praksē, jo īpaši attiecībā uz tādas pārliecības attīstīšanu tehnoloģijai, ar kuru ārsti un pacienti jutīsies droši, paļaujoties uz. sistēmas izejas.

Tomēr algoritma priekšnoteikums joprojām ir neticami spēcīgs un ietver potenciālu spēles mainītāju paredzamās diagnostikas jomā.

Diagnostikas pasākumi nekad agrāk nav bijuši tik spēcīgi. Fakts, ka rīks var izmantot tikai vienu CT skenēšanu, lai prognozētu ilgtermiņa slimības funkciju, varētu atrisināt daudzas problēmas, no kurām vissvarīgākā ir agrīnas ārstēšanas iespējas un samazināta mirstība.

Zinātnieki, sākot nosarkt, var atspiesties pret tādām sistēmām kā šīs, atzīmējot, ka neviena AI sistēma, iespējams, nevarētu pietiekami labi atbilst spriedumam un klīniskajām spējām, lai aizstātu cilvēku ārstu. Taču šādu sistēmu mērķis ne vienmēr ir aizstāt ārstu zināšanas, bet gan potenciāli palielināt fiziskās darbplūsmas.

Sistēmu, piemēram, Sybil, ļoti viegli varētu izmantot kā ieteikumu rīku, kas potenciāli norāda uz CT ārstam, kurš pēc tam varētu izmantot savu klīnisko spriedumu, lai piekristu vai nepiekristu Sybil ieteikumam. Tas ne tikai, iespējams, uzlabotu klīnisko caurlaidību, bet arī varētu darboties kā sekundārs "pārbaudes" process un, iespējams, uzlabotu diagnostikas precizitāti.

Neapšaubāmi, šajā arēnā vēl ir daudz darāmā. Zinātniekiem, izstrādātājiem un novatoriem priekšā ir ilgs ceļojums, lai ne tikai pilnveidotu pašu algoritmu un sistēmu, bet arī virzītos pa ļoti niansētajām arēnām šīs tehnoloģijas ieviešanai faktiskajos klīniskajos lietojumos. Tomēr tehnoloģija, nodoms un potenciāls, ko tas satur attiecībā uz pacientu aprūpes uzlabošanu, ja tas tiek izstrādāts drošā, ētiskā un iedarbīgā veidā, patiešām ir daudzsološs turpmākajai diagnostikas paaudzei.