MIT & Mass General Hospital razvili su AI sistem koji može otkriti rak pluća

Rak pluća je pogubna bolest. Prema Svjetska zdravstvena organizacija, rak pluća je jedan od najčešćih uzroka smrti širom svijeta, što čini skoro 2.21 milion slučajeva samo u 2020. godini. Važno je da bolest može biti progresivna; to jest, za mnoge može početi kao samo blagi simptomi koji ne izazivaju uzbunu, prije nego što brzo evoluira u dijagnozu opasnu po život, što dovodi do smrti. Srećom, raspon terapijskih sredstava usmjerenih na pomoć pacijentima s karcinomom pluća je izuzetno porastao u posljednje dvije decenije. Međutim, rano otkrivanje raka i dalje je jedno od jedinih načina za značajno smanjenje stope smrtnosti.

Jedno značajno dostignuće u ovoj areni je nedavna najava Massachusetts Institute of Technology (MIT) i Mass General Hospital (MGH) u vezi sa razvojem modela dubokog učenja pod nazivom “Sybil” koji se može koristiti za predviđanje rizika od raka pluća, koristeći podatke od samo jednog CT skeniranja. The studija je službeno objavljen u Journal of Clinical Oncology prošle sedmice i govori o tome kako bi "alati koji pružaju personaliziranu buduću procjenu rizika od raka mogli fokusirati pristupe na one koji će najvjerovatnije imati koristi". Stoga su voditelji studije tvrdili da bi se „model dubokog učenja koji procjenjuje cjelokupne volumetrijske LDCT [CT niske doze kontrasta] mogao izgraditi za predviđanje individualnog rizika bez potrebe za dodatnim demografskim ili kliničkim podacima.”

Model počinje s osnovnim principom: “LDCT slike sadrže informacije koje predviđaju budući rizik od raka pluća izvan trenutno prepoznatljivih karakteristika kao što su plućni noduli.” Stoga su programeri nastojali „razviti i potvrditi algoritam dubokog učenja koji predviđa budući rizik od raka pluća do 6 godina nakon jednog LDCT skeniranja i procijeniti njegov potencijalni klinički utjecaj“.

Sve u svemu, studija je do sada bila izuzetno uspješna: Sybil je u stanju predvidjeti budući rizik od raka pluća kod pacijenata do određene mjere preciznosti, koristeći podatke samo jednog LDCT-a.

Bez sumnje, kliničke primjene i implikacije za ovu tehnologiju su još uvijek nezrele. Čak se i voditelji studije slažu da će se morati obaviti značajan posao kako bi se otkrilo kako se ova tehnologija može primijeniti u stvarnoj kliničkoj praksi – posebno u pogledu razvoja stepena povjerenja u tehnologiju, uz koju će se liječnici i pacijenti osjećati sigurno oslanjajući se na izlaze sistema.

Međutim, premisa algoritma je i dalje nevjerovatno moćna i podrazumijeva potencijalnu promjenu igre u području prediktivne dijagnostike.

Dijagnostičke mjere nikada prije nisu bile tako moćne. Činjenica da alat može koristiti samo jedan CT skeniranje za predviđanje dugoročne funkcije bolesti mogla bi potencijalno riješiti mnoge probleme—od kojih je najvažniji omogućavanje ranog liječenja i smanjenje smrtnosti.

Stručnjaci, na početku pocrvenjele, mogu se suprotstaviti ovakvim sistemima, napominjući da nijedan AI sistem ne bi mogao biti dovoljno dobar u odnosu na prosudbu i kliničku snagu da zamijeni ljudskog ljekara. Ali svrha ovakvih sistema nije nužno da zamijene stručnost ljekara, već da potencijalno povećaju tok rada ljekara.

Sistem kao što je Sybil mogao bi se vrlo lako koristiti kao alat za preporuku, označavajući potencijalno u vezi CT-a liječniku, koji bi potom mogao koristiti vlastitu kliničku prosudbu da se složi ili ne složi sa Sybilinom preporukom. Ovo ne samo da bi vjerovatno poboljšalo kliničku propusnost, već bi moglo djelovati i kao sekundarni proces "provjere" i možda poboljšati dijagnostičku točnost.

Bez sumnje, u ovoj areni ima još puno posla. Naučnici, programeri i inovatori imaju dug put pred sobom ne samo u usavršavanju stvarnog algoritma i samog sistema, već i u navigaciji hiper-nijansiranom arenom uvođenja ove tehnologije u stvarne kliničke aplikacije. Ipak, tehnologija, namjera i potencijal koji ima u pogledu poboljšanja njege pacijenata, ako se razvije na siguran, etički i efikasan način, zaista obećavaju za generaciju dijagnostike koja dolazi.