МИТ и Општа болница Масс развили су систем вештачке интелигенције који може да открије рак плућа

Рак плућа је разарајућа болест. Према Светска здравствена организација, рак плућа је један од најчешћих узрока смрти широм света, што представља скоро 2.21 милиона случајева само у 2020. Важно је да болест може бити прогресивна; то јест, за многе може почети као само благи симптоми који не изазивају узбуну, пре него што брзо еволуира у дијагнозу опасну по живот, што доводи до смрти. Срећом, спектар терапеутика усмерених на помоћ пацијентима са раком плућа је изузетно порастао у последње две деценије. Међутим, рано откривање рака је и даље једно од јединих начина за значајно смањење стопе смртности.

Једно значајно достигнуће у овој арени је недавна најава Масачусетског института за технологију (МИТ) и Масс опште болнице (МГХ) у вези са развојем модела дубоког учења под називом „Сибил“ који се може користити за предвиђање ризика од рака плућа, користећи податке од само једног ЦТ скенирања. Тхе студирати је званично објављен у Јоурнал оф Цлиницал Онцологи прошле недеље и говори о томе како „алати који пружају персонализовану будућу процену ризика од рака могу да фокусирају приступе ка онима који ће највероватније имати користи“. Стога, вође студије су тврдили да би „модел дубоког учења који процењује целокупне волуметријске податке ЛДЦТ [ЦТ са ниском дозом контраста] могао да се изгради да би се предвидео појединачни ризик без потребе за додатним демографским или клиничким подацима“.

Модел почиње са основним принципом: „ЛДЦТ слике садрже информације које предвиђају будући ризик од рака плућа изван тренутно препознатљивих карактеристика као што су плућни нодули. Стога су програмери настојали да „развију и валидирају алгоритам дубоког учења који предвиђа будући ризик од рака плућа до 6 година од једног ЛДЦТ скенирања и процене његов потенцијални клинички утицај.

Све у свему, студија је до сада била изузетно успешна: Сибил је у стању да предвиди будући ризик од рака плућа код пацијената до одређене мере прецизности, користећи податке само једног ЛДЦТ-а.

Без сумње, клиничке примене и импликације за ову технологију су још увек незреле. Чак се и водитељи студије слажу да ће бити потребно уложити значајан посао како би се тачно утврдило како да се ова технологија примени у стварној клиничкој пракси – посебно у погледу развоја степена поверења у технологију, уз коју ће се лекари и пацијенти осећати безбедно ослањајући се на излазе система.

Међутим, премиса алгоритма је и даље невероватно моћна и подразумева потенцијалну промену игре у домену предиктивне дијагностике.

Дијагностичке мере никада раније нису биле тако моћне. Чињеница да алат може да користи само један ЦТ скенирање за предвиђање дугорочне функције болести могла би потенцијално да реши многе проблеме—од којих је најважнији омогућавање раног лечења и смањење смртности.

Стручњаци, на почетку поцрвене, могу да се супротставе системима попут ових, напомињући да ниједан систем вештачке интелигенције не би могао да се упореди са расуђивањем и клиничком вештином довољно добро да замени људског лекара. Али сврха система попут ових није нужно да замене стручност лекара, већ да потенцијално повећају токове рада лекара.

Систем као што је Сибил могао би се врло лако користити као алат за препоруку, означавајући потенцијално у вези са ЦТ-ом лекару, који би онда могао да користи сопствени клинички суд да се или сложи или не сложи са Сибилином препоруком. Ово не само да би вероватно побољшало клиничку пропусност, већ би могло деловати и као секундарни процес „провере“ и можда побољшати дијагностичку тачност.

Без сумње, у овој арени има још много посла. Научници, програмери и иноватори имају дуг пут пред собом не само у усавршавању стварног алгоритма и самог система, већ и у навигацији хипер-нијансираном ареном увођења ове технологије у стварне клиничке апликације. Ипак, технологија, намера и потенцијал који има у погледу побољшања неге пацијената, ако се развије на безбедан, етичан и ефикасан начин, заиста обећавају за генерације дијагностике које долазе.