MIT и Mass General Hospital развија систем за вештачка интелигенција што може да открие рак на белите дробови

Ракот на белите дробови е катастрофална болест. Во согласност со Светската здравствена организацијаРакот на белите дробови е една од најчестите причини за смрт во светот, со речиси 2.21 милиони случаи само во 2020 година. Поважно, болеста може да биде прогресивна; тоа е, за многумина, може да започне како само благи симптоми кои не предизвикуваат тревога, пред брзо да еволуира во дијагноза опасна по живот, што ќе доведе до смрт. За среќа, опсегот на терапевтски средства фокусирани на помагање на пациентите со рак на белите дробови е неверојатно зголемен во последните две децении. Сепак, раното откривање на ракот сè уште е едно од единствените средства за значително намалување на стапката на смртност.

Едно забележително достигнување во оваа арена е неодамнешното соопштение на Технолошкиот институт во Масачусетс (МИТ) и Масовната општа болница (МГХ) во врска со развојот на модел за длабоко учење наречен „Сибил“ кој може да се користи за да се предвиди ризикот од рак на белите дробови, користејќи податоци од само еден КТ скен. На студија беше формално објавена во списанието за клиничка онкологија минатата недела и дискутира за тоа како „алатките кои обезбедуваат персонализирана идна проценка на ризикот од рак може да ги фокусираат пристапите кон оние кои најверојатно ќе имаат корист“. Оттука, водачите на студијата истакнаа дека „модел за длабоко учење што ги проценува сите волуметриски податоци за LDCT [КТ со контраст со ниска доза] може да се изгради за да се предвиди индивидуалниот ризик без да се бараат дополнителни демографски или клинички податоци“.

Моделот започнува со основен принцип: „ЛДЦТ сликите содржат информации кои се предвидливи за идниот ризик од рак на белите дробови надвор од моментално препознатливите карактеристики како што се јазлите на белите дробови“. Оттука, програмерите се обидоа да „развијат и потврдат алгоритам за длабоко учење кој го предвидува идниот ризик од рак на белите дробови до 6 години од едно ЛДЦТ скенирање и да го процени неговото потенцијално клиничко влијание“.

Севкупно, студијата досега беше неверојатно успешна: Сибил е во состојба да го предвиди идниот ризик од рак на белите дробови до одреден степен на точност, користејќи ги податоците од само еден LDCT.

Без сомнение, клиничките апликации и импликациите за оваа технологија сè уште се незрели. Дури и водачите на студијата се согласуваат дека ќе треба да се направи значителна работа за да се дознае како точно да се примени оваа технологија во вистинската клиничка пракса - конкретно во однос на развојот на одреден степен на доверба во технологијата, со која лекарите и пациентите ќе се чувствуваат безбедно потпирајќи се на излезите на системот.

Сепак, премисата на алгоритмот е сè уште неверојатно моќна и повлекува потенцијален менувач на играта во областа на предвидувачката дијагностика.

Дијагностичките мерки никогаш порано не биле толку моќни. Фактот дека алатката може да користи само едно КТ скенирање за да предвиди долгорочна функција на болеста може потенцијално да реши многу проблеми - од кои најважниот е овозможување на ран третман и намалена смртност.

Експертите, на првичното руменило, може да возвратат против системи како овие, забележувајќи дека ниту еден систем за вештачка интелигенција не би можел да одговара на расудувањето и клиничката моќ доволно добро за да го замени човечкиот лекар. Но, целта на системи како овие не е нужно да ја заменат лекарската експертиза, туку потенцијално да го зголемат работниот тек на лекарот.

Систем како Sybil може многу лесно да се користи како алатка за препорака, означувајќи ги потенцијално во врска со КТ на лекар, кој потоа би можел да го искористи сопственото клиничко расудување или да се согласи или да не се согласува со препораката на Сибил. Ова не само што веројатно би ја подобрило клиничката пропусност, туку би можело да делува и како секундарен процес на „проверка“ и евентуално да ја подобри дијагностичката точност.

Несомнено, има уште многу работа во оваа арена. Научниците, програмерите и иноваторите имаат долго патување пред нив не само во усовршување на вистинскиот алгоритам и самиот систем, туку и во навигацијата во хипер-нијансаната арена на воведување на оваа технологија во вистинските клинички апликации. Како и да е, технологијата, намерата и потенцијалот што ги поседува во однос на подобрувањето на грижата за пациентите, доколку е развиена на безбеден, етички и ефикасен начин, навистина ветува за генерацијата на дијагностика што доаѓа.