MIT & Mass General Hospital ovat kehittäneet tekoälyjärjestelmän, joka voi havaita keuhkosyövän

Keuhkosyöpä on tuhoisa sairaus. Mukaan Maailman terveysjärjestö, keuhkosyöpä on yksi yleisimmistä kuolinsyistä maailmanlaajuisesti, ja sen osuus oli lähes 2.21 miljoonaa tapausta pelkästään vuonna 2020. Tärkeää on, että tauti voi olla etenevä; toisin sanoen monille se voi alkaa vain lievinä oireina, jotka eivät herätä hälytystä, ennen kuin kehittyy nopeasti hengenvaaralliseksi diagnoosiksi, joka johtaa kuolemaan. Onneksi keuhkosyöpäpotilaiden auttamiseen keskittyneiden terapioiden valikoima on kasvanut valtavasti viimeisen kahden vuosikymmenen aikana. Syövän varhainen havaitseminen on kuitenkin edelleen yksi ainoa keino vähentää merkittävästi kuolleisuutta.

Yksi merkittävä saavutus tällä areenalla on Massachusetts Institute of Technologyn (MIT) ja Mass General Hospitalin (MGH) äskettäinen ilmoitus Sybil-nimisen syväoppimismallin kehittämisestä, jota voidaan käyttää ennustamaan keuhkosyövän riskiä datan avulla. yhdestä CT-skannauksesta. The opiskella julkaistiin virallisesti Journal of Clinical Oncology -lehdessä viime viikolla, ja siinä keskustellaan siitä, kuinka "työkalut, jotka tarjoavat personoidun tulevaisuuden syöpäriskin arvioinnin, voisivat keskittää lähestymistavat niihin, jotka todennäköisimmin hyötyvät". Tästä syystä tutkimuksen johtajat esittivät, että "syväoppimismalli, joka arvioi koko volyymin LDCT [Low Dose Contrast CT] -tiedot, voitaisiin rakentaa ennustamaan yksilöllistä riskiä ilman, että tarvitaan lisää demografisia tai kliinisiä tietoja."

Malli alkaa perusperiaatteella: "LDCT-kuvat sisältävät tietoa, joka ennustaa tulevaisuuden keuhkosyövän riskiä tällä hetkellä tunnistettavissa olevien ominaisuuksien, kuten keuhkojen kyhmyjen, lisäksi." Tästä syystä kehittäjät pyrkivät "kehittämään ja validoimaan syvän oppimisalgoritmin, joka ennustaa tulevan keuhkosyövän riskin 6 vuoden kuluttua yhdestä LDCT-skannauksesta ja arvioi sen mahdollisia kliinisiä vaikutuksia."

Kaiken kaikkiaan tutkimus on ollut tähän mennessä erittäin onnistunut: Sybil pystyy ennustamaan potilaan tulevan keuhkosyövän riskin tietyssä määrin käyttämällä vain yhden LDCT:n tietoja.

Epäilemättä tämän tekniikan kliiniset sovellukset ja vaikutukset ovat vielä kehittymättömiä. Jopa tutkimuksen johtajat ovat yhtä mieltä siitä, että on tehtävä paljon työtä sen selvittämiseksi, miten tätä teknologiaa voidaan soveltaa todellisessa kliinisessä käytännössä – erityisesti mitä tulee teknologiaan sellaisen luottamuksen kehittämiseen, johon lääkärit ja potilaat voivat luottaa. järjestelmän lähdöt.

Algoritmin lähtökohta on kuitenkin edelleen uskomattoman tehokas ja mahdollistaa pelin muutoksen ennustavan diagnostiikan alueella.

Diagnostiset toimenpiteet eivät ole koskaan ennen olleet näin tehokkaita. Se, että työkalu voi käyttää vain yhtä CT-skannausta ennustamaan sairauden pitkäaikaista toimintaa, voi mahdollisesti ratkaista monia ongelmia – joista tärkein on mahdollistaa varhainen hoito ja vähentää kuolleisuutta.

Asiantuntijat voivat ensimmäisellä punastumiskerralla vastustaa tällaisia ​​järjestelmiä ja huomauttaa, että mikään tekoälyjärjestelmä ei pysty vastaamaan harkintakykyyn ja kliiniseen suorituskykyyn riittävän hyvin korvaamaan ihmislääkärin. Mutta tällaisten järjestelmien tarkoituksena ei ole välttämättä korvata lääkärien asiantuntemusta, vaan pikemminkin mahdollisesti lisätä fyysisiä työnkulkuja.

Sybilin kaltaista järjestelmää voitaisiin hyvin helposti käyttää suositustyökaluna, joka ilmoittaa mahdollisesti TT:stä lääkärille, joka voisi sitten käyttää omaa kliinistä harkintaa joko hyväksyäkseen tai ollakseen eri mieltä Sybilin suosituksesta. Tämä ei vain todennäköisesti parantaisi kliinistä suorituskykyä, vaan voisi myös toimia toissijaisena "tarkistusprosessina" ja mahdollisesti parantaa diagnostista tarkkuutta.

Epäilemättä tällä areenalla on vielä paljon tehtävää. Tiedemiehillä, kehittäjillä ja innovoijilla on edessään pitkä matka todellisen algoritmin ja järjestelmän parantamisen lisäksi myös navigoimalla tämän tekniikan todellisiin kliinisiin sovelluksiin tuomalla hypervivahteellisella areenalla. Siitä huolimatta teknologia, tarkoitus ja siinä oleva potentiaali parantaa potilashoitoa, jos sitä kehitetään turvallisesti, eettisesti ja tehokkaasti, on todella lupaava tulevalle diagnostiikan sukupolvelle.