MIT & Mass General Hospital har utviklet et AI-system som kan oppdage lungekreft

Lungekreft er en ødeleggende sykdom. Ifølge World Health Organization, er lungekreft en av de vanligste dødsårsakene over hele verden, og står for nesten 2.21 millioner tilfeller i 2020 alene. Viktigere er at sykdommen kan være progressiv; det vil si at for mange kan det starte som bare milde symptomer som ikke vekker alarm, før de raskt utvikler seg til en livstruende diagnose som fører til døden. Heldigvis har utvalget av terapier fokusert på å hjelpe pasienter med lungekreft vokst enormt de siste to tiårene. Imidlertid er tidlig oppdagelse av kreften fortsatt en av de eneste måtene å redusere dødeligheten betydelig.

En bemerkelsesverdig prestasjon på denne arenaen er den nylige kunngjøringen fra Massachusetts Institute of Technology (MIT) og Mass General Hospital (MGH) angående utviklingen av en dyp læringsmodell kalt "Sybil" som kan brukes til å forutsi lungekreftrisiko ved å bruke data fra bare en enkelt CT-skanning. De studere ble formelt publisert i Journal of Clinical Oncology forrige uke, og diskuterer hvordan "verktøy som gir personlig fremtidig kreftrisikovurdering kan fokusere tilnærminger mot de som mest sannsynlig vil dra nytte av det." Derfor hevdet studielederne at "en dyp læringsmodell som vurderer hele volumetriske LDCT [Low Dose Contrast CT] data kan bygges for å forutsi individuell risiko uten å kreve ytterligere demografiske eller kliniske data."

Modellen starter med en grunnleggende læresetning: "LDCT-bilder inneholder informasjon som er prediktiv for fremtidig lungekreftrisiko utover for øyeblikket identifiserbare funksjoner som lungeknuter." Derfor forsøkte utviklerne å "utvikle og validere en dyp læringsalgoritme som forutsier fremtidig lungekreftrisiko ut til 6 år fra en enkelt LDCT-skanning, og vurdere dens potensielle kliniske virkning."

Totalt sett har studien vært bemerkelsesverdig vellykket, så langt: Sybil er i stand til å forutsi en pasients fremtidige lungekreftrisiko til en viss grad av nøyaktighet, ved å bruke dataene fra bare én LDCT.

Uten tvil er kliniske anvendelser og implikasjoner for denne teknologien fortsatt umodne. Til og med studielederne er enige om at det må gjøres betydelig arbeid for å finne ut nøyaktig hvordan denne teknologien skal brukes i faktisk klinisk praksis – spesielt med hensyn til å utvikle en grad av tillit til teknologien, som leger og pasienter vil føle seg trygge på å stole på. systemets utganger.

Imidlertid er forutsetningen for algoritmen fortsatt utrolig kraftig og innebærer en potensiell gamechanger innen prediktiv diagnostikk.

Diagnostiske tiltak har aldri før vært så kraftige. Det faktum at et verktøy kan bruke bare én CT-skanning for å forutsi en langsiktig sykdomsfunksjon kan potensielt løse mange problemer – det viktigste er å muliggjøre tidlig behandling og redusert dødelighet.

Pundits, ved den første rødmen, kan presse tilbake mot systemer som disse, og bemerke at ingen AI-system muligens kan matche dømmekraften og den kliniske dyktigheten godt nok til å erstatte en menneskelig lege. Men hensikten med systemer som disse er ikke nødvendigvis å erstatte legeekspertise, men snarere å potensielt forsterke fysiske arbeidsflyter.

Et system som Sybil kan veldig enkelt brukes som et anbefalingsverktøy, og flagging potensielt angående CT-er til en lege, som deretter kan bruke sin egen kliniske vurdering til å enten være enig eller uenig i Sybils anbefaling. Dette vil sannsynligvis ikke bare forbedre klinisk gjennomstrømning, men kan også fungere som en sekundær "sjekk"-prosess og muligens forbedre diagnostisk nøyaktighet.

Det er utvilsomt fortsatt mye arbeid som gjenstår på denne arenaen. Forskere, utviklere og innovatører har en lang reise foran seg i ikke bare å perfeksjonere selve algoritmen og systemet, men også i å navigere på den hypernyanserte arenaen for å introdusere denne teknologien i faktiske kliniske applikasjoner. Ikke desto mindre er teknologien, intensjonen og potensialet den har med hensyn til å forbedre pasientbehandlingen, hvis den utvikles på en sikker, etisk og effektiv måte, virkelig lovende for genereringen av diagnostikk som kommer.