Το MIT & το Mass General Hospital ανέπτυξαν ένα σύστημα AI που μπορεί να ανιχνεύσει τον καρκίνο του πνεύμονα

Ο καρκίνος του πνεύμονα είναι μια καταστροφική ασθένεια. Σύμφωνα με την Παγκόσμιος Οργανισμός Υγείας, ο καρκίνος του πνεύμονα είναι μια από τις πιο κοινές αιτίες θανάτου παγκοσμίως, αντιπροσωπεύοντας σχεδόν 2.21 εκατομμύρια περιπτώσεις μόνο το 2020. Είναι σημαντικό ότι η ασθένεια μπορεί να είναι προοδευτική. Δηλαδή, για πολλούς, μπορεί να ξεκινήσει ως απλά ήπια συμπτώματα που δεν προκαλούν συναγερμό, προτού εξελιχθεί γρήγορα σε μια απειλητική για τη ζωή διάγνωση, οδηγώντας σε θάνατο. Ευτυχώς, το φάσμα των θεραπευτικών μεθόδων που επικεντρώνονται στη βοήθεια ασθενών με καρκίνο του πνεύμονα έχει αυξηθεί τρομερά τις τελευταίες δύο δεκαετίες. Ωστόσο, η έγκαιρη ανίχνευση του καρκίνου εξακολουθεί να είναι ένα από τα μοναδικά μέσα για τη σημαντική μείωση των ποσοστών θνησιμότητας.

Ένα αξιοσημείωτο επίτευγμα σε αυτόν τον τομέα είναι η πρόσφατη ανακοίνωση του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης (MIT) και του Mass General Hospital (MGH) σχετικά με την ανάπτυξη ενός μοντέλου βαθιάς μάθησης με το όνομα «Sybil» που μπορεί να χρησιμοποιηθεί για την πρόβλεψη του κινδύνου καρκίνου του πνεύμονα, χρησιμοποιώντας δεδομένα. από μία μόνο αξονική τομογραφία. ο μελέτη δημοσιεύθηκε επίσημα στο Journal of Clinical Oncology την περασμένη εβδομάδα και συζητά πώς «τα εργαλεία που παρέχουν εξατομικευμένη αξιολόγηση μελλοντικού κινδύνου καρκίνου θα μπορούσαν να εστιάσουν τις προσεγγίσεις σε αυτούς που είναι πιο πιθανό να ωφεληθούν». Ως εκ τούτου, οι επικεφαλής της μελέτης υποστήριξαν ότι «ένα μοντέλο βαθιάς μάθησης που αξιολογεί ολόκληρα τα ογκομετρικά δεδομένα LDCT [CT Χαμηλής Δόσης Αντίθεσης] θα μπορούσε να κατασκευαστεί για να προβλέψει τον ατομικό κίνδυνο χωρίς να απαιτούνται πρόσθετα δημογραφικά ή κλινικά δεδομένα».

Το μοντέλο ξεκινά με μια βασική αρχή: «Οι εικόνες LDCT περιέχουν πληροφορίες που είναι προγνωστικές για μελλοντικό κίνδυνο καρκίνου του πνεύμονα πέρα ​​από τα επί του παρόντος αναγνωρίσιμα χαρακτηριστικά, όπως οζίδια του πνεύμονα». Ως εκ τούτου, οι προγραμματιστές προσπάθησαν να «αναπτύξουν και να επικυρώσουν έναν αλγόριθμο βαθιάς μάθησης που προβλέπει τον μελλοντικό κίνδυνο καρκίνου του πνεύμονα έως και 6 χρόνια από μια μόνο σάρωση LDCT και να αξιολογήσουν τον πιθανό κλινικό αντίκτυπό του».

Συνολικά, η μελέτη ήταν αξιοσημείωτα επιτυχημένη, μέχρι στιγμής: η Sybil είναι σε θέση να προβλέψει τον μελλοντικό κίνδυνο καρκίνου του πνεύμονα ενός ασθενούς με συγκεκριμένο βαθμό ακρίβειας, χρησιμοποιώντας τα δεδομένα από μία μόνο LDCT.

Χωρίς αμφιβολία, οι κλινικές εφαρμογές και οι επιπτώσεις αυτής της τεχνολογίας είναι ακόμη ανώριμες. Ακόμη και οι επικεφαλής της μελέτης συμφωνούν ότι θα χρειαστεί να γίνει σημαντική δουλειά για να καταλάβουμε πώς ακριβώς θα εφαρμοστεί αυτή η τεχνολογία στην πραγματική κλινική πρακτική - ειδικά όσον αφορά την ανάπτυξη ενός βαθμού εμπιστοσύνης στην τεχνολογία, με την οποία οι γιατροί και οι ασθενείς θα αισθάνονται ασφαλείς βασιζόμενοι στην εξόδους του συστήματος.

Ωστόσο, η υπόθεση του αλγορίθμου εξακολουθεί να είναι απίστευτα ισχυρή και συνεπάγεται μια πιθανή αλλαγή παιχνιδιού στη σφαίρα των προγνωστικών διαγνωστικών.

Τα διαγνωστικά μέτρα δεν ήταν ποτέ τόσο ισχυρά. Το γεγονός ότι ένα εργαλείο μπορεί να χρησιμοποιήσει μόνο μία αξονική τομογραφία για να προβλέψει μια μακροπρόθεσμη λειτουργία της νόσου θα μπορούσε ενδεχομένως να λύσει πολλά προβλήματα - το πιο σημαντικό από τα οποία είναι η έγκαιρη θεραπεία και η μειωμένη θνησιμότητα.

Οι επιστήμονες, στην αρχή, μπορεί να απωθήσουν συστήματα όπως αυτά, παρατηρώντας ότι κανένα σύστημα τεχνητής νοημοσύνης δεν θα μπορούσε ενδεχομένως να ταιριάξει με την κρίση και την κλινική ικανότητα αρκετά καλά ώστε να αντικαταστήσει έναν άνθρωπο γιατρό. Όμως, ο σκοπός συστημάτων όπως αυτά δεν είναι απαραίτητα να αντικαταστήσουν την τεχνογνωσία των ιατρών, αλλά μάλλον να αυξήσουν πιθανώς τις ροές εργασίας των ιατρών.

Ένα σύστημα όπως το Sybil θα μπορούσε πολύ εύκολα να χρησιμοποιηθεί ως εργαλείο συστάσεων, επισημαίνοντας δυνητικά σχετικά με CT σε έναν γιατρό, ο οποίος θα μπορούσε στη συνέχεια να χρησιμοποιήσει τη δική του κλινική κρίση είτε για να συμφωνήσει είτε να διαφωνήσει με τη σύσταση της Sybil. Αυτό όχι μόνο θα βελτίωνε πιθανώς την κλινική απόδοση, αλλά θα μπορούσε επίσης να λειτουργήσει ως δευτερεύουσα διαδικασία «ελέγχου» και πιθανώς να ενισχύσει τη διαγνωστική ακρίβεια.

Αναμφίβολα, υπάρχει ακόμη πολλή δουλειά να γίνει σε αυτόν τον τομέα. Οι επιστήμονες, οι προγραμματιστές και οι καινοτόμοι έχουν ένα μακρύ ταξίδι μπροστά τους, όχι μόνο για την τελειοποίηση του ίδιου του αλγόριθμου και του ίδιου του συστήματος, αλλά και για την πλοήγηση στην υπερ-πολλαπλή αρένα της εισαγωγής αυτής της τεχνολογίας σε πραγματικές κλινικές εφαρμογές. Ωστόσο, η τεχνολογία, η πρόθεση και οι δυνατότητες που διαθέτει όσον αφορά τη βελτίωση της περίθαλψης των ασθενών, εάν αναπτυχθεί με ασφαλή, ηθικό και αποτελεσματικό τρόπο, είναι πράγματι ελπιδοφόρα για τη γενιά των διαγνωστικών που έρχονται.