MIT و Mass General Hospital یک سیستم هوش مصنوعی ساخته اند که می تواند سرطان ریه را تشخیص دهد

سرطان ریه یک بیماری ویرانگر است. بر اساس سازمان بهداشت جهانیسرطان ریه یکی از شایع ترین علل مرگ و میر در سراسر جهان است که تنها در سال 2.21 حدود 2020 میلیون مورد را به خود اختصاص داده است. نکته مهم این است که بیماری می تواند پیشرونده باشد. یعنی برای بسیاری، ممکن است فقط به عنوان علائم خفیفی شروع شود که هیچ هشداری ایجاد نمی کند، قبل از اینکه به سرعت به یک تشخیص تهدید کننده زندگی تبدیل شود و منجر به مرگ شود. خوشبختانه، در دو دهه گذشته طیف وسیعی از درمان‌های متمرکز بر کمک به بیماران مبتلا به سرطان ریه رشد چشمگیری داشته است. با این حال، تشخیص زودهنگام سرطان هنوز یکی از تنها راه هایی است که می تواند میزان مرگ و میر را به میزان قابل توجهی کاهش دهد.

یکی از دستاوردهای قابل توجه در این عرصه، اعلامیه اخیر موسسه فناوری ماساچوست (MIT) و بیمارستان عمومی Mass (MGH) در مورد توسعه یک مدل یادگیری عمیق به نام "Sybil" است که می تواند برای پیش بینی خطر سرطان ریه با استفاده از داده ها استفاده شود. فقط از یک سی تی اسکن. را مطالعه هفته گذشته به طور رسمی در مجله انکولوژی بالینی منتشر شد و در مورد اینکه چگونه "ابزارهایی که ارزیابی ریسک سرطان آینده را شخصی سازی می کنند، می توانند رویکردها را به سمت کسانی متمرکز کنند که بیشترین سود را دارند" مورد بحث قرار گرفت. از این رو، رهبران مطالعه اظهار داشتند که «یک مدل یادگیری عمیق که کل داده‌های LDCT حجمی [CT کنتراست با دوز کم] را ارزیابی می‌کند، می‌تواند برای پیش‌بینی خطر فردی بدون نیاز به داده‌های جمعیت‌شناختی یا بالینی اضافی ساخته شود».

این مدل با یک اصل اساسی شروع می شود: "تصاویر LDCT حاوی اطلاعاتی هستند که خطر ابتلا به سرطان ریه در آینده را فراتر از ویژگی های قابل شناسایی فعلی مانند گره های ریه پیش بینی می کند." از این رو، توسعه دهندگان به دنبال «توسعه و تأیید یک الگوریتم یادگیری عمیق بودند که خطر ابتلا به سرطان ریه در آینده را تا ۶ سال از یک اسکن LDCT پیش‌بینی می‌کند و تأثیر بالینی بالقوه آن را ارزیابی می‌کند».

به طور کلی، این مطالعه تا کنون بسیار موفقیت‌آمیز بوده است: Sybil می‌تواند خطر ابتلا به سرطان ریه در آینده را با دقت و با استفاده از داده‌های تنها یک LDCT پیش‌بینی کند.

بدون شک، کاربردهای بالینی و پیامدهای این فناوری هنوز نابالغ هستند. حتی رهبران مطالعه موافقند که کار قابل توجهی باید انجام شود تا بفهمیم دقیقاً چگونه این فناوری را در عمل بالینی واقعی به کار ببریم - به ویژه با توجه به ایجاد درجه ای از اعتماد به این فناوری که پزشکان و بیماران با تکیه بر آن احساس امنیت کنند. خروجی های سیستم

با این حال، فرض الگوریتم هنوز هم فوق‌العاده قدرتمند است و مستلزم یک تغییر بالقوه بازی در حوزه تشخیص‌های پیش‌بینی‌کننده است.

اقدامات تشخیصی هرگز تا این حد قدرتمند نبوده است. این واقعیت که یک ابزار می تواند تنها از یک سی تی اسکن برای پیش بینی عملکرد طولانی مدت بیماری استفاده کند، می تواند به طور بالقوه بسیاری از مشکلات را حل کند - که مهمترین آنها امکان درمان زودهنگام و کاهش مرگ و میر است.

کارشناسان، در ابتدا ممکن است به سیستم‌هایی مانند اینها فشار بیاورند، و خاطرنشان می‌کنند که هیچ سیستم هوش مصنوعی نمی‌تواند به اندازه کافی با قدرت قضاوت و بالینی مطابقت داشته باشد که بتواند جایگزین یک پزشک انسانی شود. اما هدف سیستم‌هایی مانند این لزوما جایگزینی تخصص پزشک نیست، بلکه هدف افزایش بالقوه گردش کار پزشکان است.

سیستمی مانند Sybil می تواند به راحتی به عنوان یک ابزار توصیه مورد استفاده قرار گیرد و به طور بالقوه مربوط به CT ها را به یک پزشک نشان دهد، که سپس می تواند از قضاوت بالینی خود برای موافقت یا مخالفت با توصیه Sybil استفاده کند. این نه تنها به احتمال زیاد توان بالینی را بهبود می بخشد، بلکه می تواند به عنوان یک فرآیند "بررسی" ثانویه عمل کند و احتمالاً دقت تشخیصی را افزایش دهد.

بدون شک هنوز جای کار زیادی در این عرصه وجود دارد. دانشمندان، توسعه دهندگان و مبتکران نه تنها در تکمیل الگوریتم و سیستم واقعی، بلکه در مسیریابی در عرصه فوق العاده ظریف معرفی این فناوری در کاربردهای بالینی واقعی، سفری طولانی در پیش دارند. با این وجود، فناوری، قصد و پتانسیلی که در رابطه با بهبود مراقبت از بیمار دارد، در صورتی که به شیوه ای ایمن، اخلاقی و کارآمد توسعه یابد، واقعاً برای نسل بعدی تشخیص نویدبخش است.