MIT & Hospital Besar Massa Telah Membangunkan Sistem AI Yang Dapat Mengesan Kanser Paru-paru

Kanser paru-paru adalah penyakit yang dahsyat. Mengikut Pertubuhan Kesihatan Sedunia, kanser paru-paru adalah salah satu punca kematian yang paling biasa di seluruh dunia, menyumbang hampir 2.21 juta kes pada tahun 2020 sahaja. Yang penting, penyakit ini boleh menjadi progresif; iaitu, bagi kebanyakan orang, ia mungkin bermula sebagai gejala ringan sahaja yang tidak menimbulkan penggera, sebelum cepat berkembang menjadi diagnosis yang mengancam nyawa, yang membawa kepada kematian. Mujurlah, rangkaian terapeutik tertumpu kepada membantu pesakit kanser paru-paru telah berkembang dengan pesat dalam dua dekad yang lalu. Walau bagaimanapun, pengesanan awal kanser masih merupakan satu-satunya cara untuk mengurangkan kadar kematian dengan ketara.

Satu pencapaian ketara dalam arena ini ialah pengumuman terbaru oleh Massachusetts Institute of Technology (MIT) dan Mass General Hospital (MGH) mengenai pembangunan model pembelajaran mendalam bernama "Sybil" yang boleh digunakan untuk meramalkan risiko kanser paru-paru, menggunakan data. dari hanya satu imbasan CT. The mengkaji telah diterbitkan secara rasmi dalam Journal of Clinical Oncology minggu lalu, dan membincangkan bagaimana "alat yang menyediakan penilaian risiko kanser masa depan yang diperibadikan boleh memfokuskan pendekatan kepada mereka yang paling mungkin mendapat manfaat." Oleh itu, pemimpin kajian menyatakan bahawa "model pembelajaran mendalam yang menilai keseluruhan data LDCT [Low Dose Contrast CT] volumetrik boleh dibina untuk meramalkan risiko individu tanpa memerlukan data demografi atau klinikal tambahan."

Model ini bermula dengan prinsip asas: "Imej LDCT mengandungi maklumat yang meramalkan risiko kanser paru-paru masa depan melangkaui ciri yang boleh dikenal pasti pada masa ini seperti nodul paru-paru." Oleh itu, pembangun berusaha untuk "membangun dan mengesahkan algoritma pembelajaran mendalam yang meramalkan risiko kanser paru-paru masa depan sehingga 6 tahun daripada imbasan LDCT tunggal, dan menilai potensi kesan klinikalnya."

Secara keseluruhannya, kajian itu amat berjaya, setakat ini: Sybil dapat meramalkan risiko kanser paru-paru masa depan pesakit pada tahap ketepatan tertentu, menggunakan data daripada hanya satu LDCT.

Tidak dinafikan, aplikasi klinikal dan implikasi untuk teknologi ini masih belum matang. Malah pemimpin kajian bersetuju bahawa kerja penting perlu dilakukan untuk mengetahui dengan tepat cara menggunakan teknologi ini dalam amalan klinikal sebenar— khususnya berkaitan dengan membangunkan tahap keyakinan terhadap teknologi, yang mana doktor dan pesakit akan berasa selamat bergantung kepada keluaran sistem.

Walau bagaimanapun, premis algoritma masih sangat berkuasa dan memerlukan potensi penukar permainan dalam bidang diagnostik ramalan.

Langkah-langkah diagnostik tidak pernah begitu berkuasa sebelum ini. Hakikat bahawa alat boleh menggunakan hanya satu imbasan CT untuk meramalkan fungsi penyakit jangka panjang berpotensi menyelesaikan banyak masalah— yang paling penting ialah membolehkan rawatan awal dan mengurangkan kematian.

Pakar, pada awalnya tersipu-sipu, mungkin menolak sistem seperti ini, dengan menyatakan bahawa tiada sistem AI yang mungkin dapat menyamai pertimbangan dan kehebatan klinikal dengan cukup baik untuk menggantikan seorang doktor manusia. Tetapi tujuan sistem seperti ini tidak semestinya untuk menggantikan kepakaran doktor, tetapi lebih kepada berpotensi menambah aliran kerja doktor.

Sistem seperti Sybil boleh digunakan dengan mudah sebagai alat pengesyoran, menandakan kemungkinan mengenai CT kepada doktor, yang kemudiannya boleh menggunakan pertimbangan klinikal mereka sendiri untuk sama ada bersetuju atau tidak bersetuju dengan pengesyoran Sybil. Ini bukan sahaja mungkin meningkatkan daya pemprosesan klinikal, tetapi juga boleh bertindak sebagai proses "semakan" sekunder dan mungkin meningkatkan ketepatan diagnostik.

Tidak dinafikan, masih banyak kerja yang perlu dilakukan di arena ini. Para saintis, pembangun dan inovator mempunyai perjalanan yang panjang di hadapan mereka bukan sahaja dalam menyempurnakan algoritma dan sistem sebenar itu sendiri, tetapi juga dalam mengemudi arena bernuansa hiper untuk memperkenalkan teknologi ini ke dalam aplikasi klinikal sebenar. Namun begitu, teknologi, niat, dan potensi yang dimilikinya berkaitan dengan penjagaan pesakit yang lebih baik, jika ia dibangunkan dengan cara yang selamat, beretika dan berkesan, sememangnya menjanjikan untuk penjanaan diagnostik yang akan datang.