MIT и Mass General Hospital разработали систему искусственного интеллекта, которая может обнаруживать рак легких

Рак легких – разрушительная болезнь. Согласно Всемирная организация здравоохранения, рак легких является одной из наиболее распространенных причин смерти во всем мире, на его долю приходится почти 2.21 миллиона случаев только в 2020 году. Важно отметить, что заболевание может прогрессировать; то есть для многих это может начинаться как легкие симптомы, не вызывающие тревоги, прежде чем быстро превратиться в опасный для жизни диагноз, ведущий к смерти. К счастью, за последние два десятилетия спектр терапевтических средств, направленных на помощь пациентам с раком легких, значительно расширился. Тем не менее, раннее выявление рака по-прежнему является одним из немногих способов значительно снизить уровень смертности.

Одним из заметных достижений в этой области является недавнее объявление Массачусетского технологического института (MIT) и Mass General Hospital (MGH) о разработке модели глубокого обучения под названием «Сибил», которую можно использовать для прогнозирования риска рака легких на основе данных. только с одного КТ. Исследование был официально опубликован в Journal of Clinical Oncology на прошлой неделе и обсуждает, как «инструменты, обеспечивающие персонализированную оценку риска рака в будущем, могут сфокусировать подходы на тех, кто, скорее всего, получит пользу». Следовательно, руководители исследования заявили, что «модель глубокого обучения, оценивающая все объемные данные LDCT [Low Dose Contrast CT], может быть построена для прогнозирования индивидуального риска, не требуя дополнительных демографических или клинических данных».

Модель начинается с основного принципа: «Изображения LDCT содержат информацию, которая предсказывает будущий риск рака легких, помимо идентифицируемых в настоящее время признаков, таких как узелки в легких». Следовательно, разработчики стремились «разработать и проверить алгоритм глубокого обучения, который предсказывает будущий риск рака легких на срок до 6 лет на основе одного сканирования LDCT и оценивает его потенциальное клиническое влияние».

В целом, исследование до сих пор было чрезвычайно успешным: Сибил может предсказать будущий риск рака легких пациента с определенной степенью точности, используя данные только одного LDCT.

Без сомнения, клинические приложения и последствия для этой технологии все еще незрелы. Даже руководители исследования согласны с тем, что потребуется проделать значительную работу, чтобы выяснить, как именно применять эту технологию в реальной клинической практике, особенно в том, что касается повышения степени уверенности в технологии, с которой врачи и пациенты будут чувствовать себя в безопасности, полагаясь на нее. выходы системы.

Тем не менее, предпосылка алгоритма по-прежнему невероятно эффективна и влечет за собой потенциальный перелом в области прогностической диагностики.

Диагностические меры еще никогда не были такими мощными. Тот факт, что инструмент может использовать всего одно КТ-сканирование для прогнозирования функции заболевания в долгосрочной перспективе, потенциально может решить многие проблемы, наиболее важной из которых является обеспечение раннего лечения и снижение смертности.

Эксперты, поначалу краснея, могут дать отпор подобным системам, отметив, что никакая система ИИ не может сравниться с суждением и клиническим мастерством настолько хорошо, чтобы заменить врача-человека. Но цель таких систем не обязательно в том, чтобы заменить врачебный опыт, а скорее в том, чтобы потенциально расширить рабочие процессы врачей.

Такую систему, как Sybil, можно было бы очень легко использовать в качестве рекомендательного инструмента, отмечая потенциальную возможность КТ для врача, который затем мог бы использовать свое собственное клиническое суждение, чтобы либо согласиться, либо не согласиться с рекомендацией Сибил. Это, вероятно, не только улучшит клиническую пропускную способность, но также может действовать как вторичный процесс «проверки» и, возможно, повысить точность диагностики.

Несомненно, в этой области предстоит еще много работы. Ученым, разработчикам и новаторам предстоит пройти долгий путь не только по совершенствованию реального алгоритма и самой системы, но и по внедрению этой технологии в реальные клинические приложения. Тем не менее, технология, намерение и потенциал, который она имеет в отношении улучшения ухода за пациентами, если она будет разработана безопасным, этичным и эффективным образом, действительно многообещающие для грядущего поколения диагностики.