MIT ve Mass General Hospital, Akciğer Kanserini Tespit Eden Yapay Zeka Sistemi Geliştirdi

Akciğer kanseri yıkıcı bir hastalıktır. Göre Dünya Sağlık Örgütü, akciğer kanseri, yalnızca 2.21'de yaklaşık 2020 milyon vakayla dünya çapında en yaygın ölüm nedenlerinden biridir. Daha da önemlisi, hastalık ilerleyici olabilir; yani çoğu kişi için alarm vermeyen hafif semptomlar olarak başlayıp hızla yaşamı tehdit eden bir tanıya dönüşerek ölüme yol açabilir. Neyse ki, akciğer kanseri olan hastalara yardım etmeye odaklanan terapötiklerin yelpazesi son yirmi yılda muazzam bir şekilde arttı. Bununla birlikte, kanserin erken teşhisi, ölüm oranlarını önemli ölçüde azaltmanın tek yollarından biridir.

Bu alandaki kayda değer bir başarı, Massachusetts Institute of Technology (MIT) ve Mass General Hospital'ın (MGH) verileri kullanarak akciğer kanseri riskini tahmin etmek için kullanılabilecek "Sybil" adlı bir derin öğrenme modelinin geliştirilmesine ilişkin yakın tarihli duyurusudur. sadece tek bir CT taramasından. bu ders çalışma Geçen hafta Journal of Clinical Oncology'de resmi olarak yayınlandı ve "kişiselleştirilmiş gelecekteki kanser riski değerlendirmesi sağlayan araçların, yaklaşımları fayda sağlama olasılığı en yüksek olanlara nasıl odaklayabileceğini" tartışıyor. Bu nedenle çalışma liderleri, "tüm hacimsel LDCT [Düşük Doz Kontrast CT] verilerini değerlendiren derin bir öğrenme modelinin, ek demografik veya klinik verilere ihtiyaç duymadan bireysel riski tahmin etmek için oluşturulabileceğini" öne sürdüler.

Model, temel bir ilkeyle başlar: "LDCT görüntüleri, akciğer nodülleri gibi halihazırda tanımlanabilir özelliklerin ötesinde gelecekteki akciğer kanseri riskini öngören bilgiler içerir." Bu nedenle, geliştiriciler "tek bir LDCT taramasından 6 yıla kadar gelecekteki akciğer kanseri riskini tahmin eden ve potansiyel klinik etkisini değerlendiren bir derin öğrenme algoritması geliştirip doğrulamayı" amaçladılar.

Genel olarak, çalışma şu ana kadar oldukça başarılı oldu: Sybil, yalnızca bir LDCT'den gelen verileri kullanarak bir hastanın gelecekteki akciğer kanseri riskini belirli bir doğruluk derecesine kadar tahmin edebiliyor.

Şüphesiz, bu teknolojinin klinik uygulamaları ve sonuçları henüz olgunlaşmamıştır. Çalışma liderleri bile, bu teknolojinin gerçek klinik uygulamada tam olarak nasıl uygulanacağını anlamak için önemli çalışmaların yapılması gerektiği konusunda hemfikirdir; sistemin çıktıları.

Bununla birlikte, algoritmanın öncülü hala inanılmaz derecede güçlü ve tahmine dayalı teşhis alanında potansiyel bir oyun değiştirici içeriyor.

Teşhis önlemleri daha önce hiç bu kadar güçlü olmamıştı. Bir aracın, uzun vadeli bir hastalık işlevini tahmin etmek için yalnızca bir CT taramasını kullanabilmesi, potansiyel olarak birçok sorunu çözebilir; bunların en önemlisi, erken tedaviyi mümkün kılmak ve mortaliteyi azaltmaktır.

Uzmanlar, ilk bakışta, hiçbir AI sisteminin bir insan hekimin yerini alacak kadar muhakeme ve klinik hünerle boy ölçüşemeyeceğini belirterek, bu tür sistemlere karşı çıkabilirler. Ancak bunun gibi sistemlerin amacı, doktor uzmanlığının yerini almak değil, doktor iş akışlarını potansiyel olarak artırmaktır.

Sybil gibi bir sistem kolayca bir öneri aracı olarak kullanılabilir, olası BT'leri bir hekime işaretler, hekim daha sonra Sybil'in tavsiyesine katılmak veya katılmamak için kendi klinik muhakemesini kullanabilir. Bu, yalnızca klinik çıktıyı iyileştirmekle kalmaz, aynı zamanda ikincil bir "kontrol" süreci olarak işlev görebilir ve muhtemelen teşhis doğruluğunu artırabilir.

Kuşkusuz bu alanda daha yapılacak çok iş var. Bilim adamlarının, geliştiricilerin ve yenilikçilerin önlerinde yalnızca gerçek algoritmayı ve sistemin kendisini mükemmelleştirmekle kalmayıp, aynı zamanda bu teknolojiyi gerçek klinik uygulamalara sokmanın hiper nüanslı arenasında gezinmek için uzun bir yolculuk var. Bununla birlikte, güvenli, etik ve etkili bir şekilde geliştirilirse, hasta bakımını iyileştirmeye ilişkin sahip olduğu teknoloji, niyet ve potansiyel, gerçekten de gelecek teşhis nesilleri için umut vericidir.