MIT & Mass General Hospital har udviklet et AI-system, der kan opdage lungekræft

Lungekræft er en ødelæggende sygdom. Ifølge Verdens Sundhedsorganisation, er lungekræft en af ​​de mest almindelige dødsårsager på verdensplan og tegner sig for næsten 2.21 millioner tilfælde alene i 2020. Det er vigtigt, at sygdommen kan være progressiv; det vil sige, at det for mange kan starte som blot milde symptomer, der ikke vækker alarm, før det hurtigt udvikler sig til en livstruende diagnose, der fører til døden. Heldigvis er rækken af ​​terapier fokuseret på at hjælpe patienter med lungekræft vokset enormt i de sidste to årtier. Tidlig opdagelse af kræften er dog stadig et af de eneste midler til at reducere dødeligheden markant.

En bemærkelsesværdig præstation på denne arena er den nylige meddelelse fra Massachusetts Institute of Technology (MIT) og Mass General Hospital (MGH) vedrørende udviklingen af ​​en dyb læringsmodel ved navn "Sybil", der kan bruges til at forudsige lungekræftrisiko ved hjælp af data fra blot en enkelt CT-scanning. Det studere blev formelt offentliggjort i Journal of Clinical Oncology i sidste uge og diskuterer, hvordan "værktøjer, der giver personlig fremtidig kræftrisikovurdering, kan fokusere tilgange til dem, der mest sandsynligt vil gavne." Derfor hævdede studielederne, at "en dyb læringsmodel, der vurderer hele volumetriske LDCT [Low Dose Contrast CT] data, kunne bygges til at forudsige individuel risiko uden at kræve yderligere demografiske eller kliniske data."

Modellen starter med et grundlæggende princip: "LDCT-billeder indeholder information, der er forudsigelig for fremtidig lungekræftrisiko ud over aktuelt identificerbare funktioner såsom lungeknuder." Derfor søgte udviklerne at "udvikle og validere en dyb læringsalgoritme, der forudsiger fremtidig lungekræftrisiko ud til 6 år fra en enkelt LDCT-scanning, og vurdere dens potentielle kliniske effekt."

Samlet set har undersøgelsen været bemærkelsesværdig succesfuld indtil videre: Sybil er i stand til at forudsige en patients fremtidige lungekræftrisiko til en vis grad af nøjagtighed ved hjælp af data fra kun én LDCT.

Uden tvivl er kliniske anvendelser og implikationer for denne teknologi stadig umodne. Selv undersøgelseslederne er enige om, at der skal udføres et betydeligt arbejde for at finde ud af, hvordan man præcist anvender denne teknologi i faktisk klinisk praksis – specifikt med hensyn til at udvikle en grad af tillid til teknologien, som læger og patienter vil føle sig trygge ved at stole på. systemets output.

Imidlertid er forudsætningen for algoritmen stadig utrolig kraftfuld og medfører en potentiel game-changer inden for prædiktiv diagnostik.

Diagnostiske foranstaltninger har aldrig før været så effektive. Det faktum, at et værktøj kun kan bruge én CT-scanning til at forudsige en langsigtet sygdomsfunktion, kan potentielt løse mange problemer - hvoraf det vigtigste er at muliggøre tidlig behandling og nedsat dødelighed.

Pundits, ved den første rødme, kan skubbe tilbage mod systemer som disse og bemærke, at intet AI-system muligvis kan matche dømmekraften og den kliniske dygtighed godt nok til at erstatte en menneskelig læge. Men formålet med systemer som disse er ikke nødvendigvis at erstatte lægeekspertise, men snarere at potentielt øge lægens arbejdsgange.

Et system som Sybil kunne meget nemt bruges som et anbefalingsværktøj, der potentielt rapporterer angående CT'er til en læge, som derefter kunne bruge deres egen kliniske vurdering til enten at være enig eller uenig i Sybils anbefaling. Dette vil sandsynligvis ikke kun forbedre den kliniske gennemstrømning, men kunne også fungere som en sekundær "tjek"-proces og muligvis forbedre den diagnostiske nøjagtighed.

Der er utvivlsomt stadig meget arbejde at gøre på denne arena. Forskere, udviklere og innovatører har en lang rejse foran sig med ikke kun at perfektionere den faktiske algoritme og selve systemet, men også i at navigere på den hypernuancerede arena med at introducere denne teknologi i faktiske kliniske applikationer. Ikke desto mindre er teknologien, intentionen og det potentiale, den rummer med hensyn til at forbedre patientbehandlingen, hvis den udvikles på en sikker, etisk og effektiv måde, virkelig lovende for den kommende generation af diagnostik.