Ang MIT at Mass General Hospital ay Nakabuo ng AI System na Makakakita ng Kanser sa Baga

Ang kanser sa baga ay isang mapangwasak na sakit. Ayon sa World Health Organization, ang kanser sa baga ay isa sa mga pinakakaraniwang sanhi ng kamatayan sa buong mundo, na umaabot sa halos 2.21 milyong kaso noong 2020 lamang. Ang mahalaga, ang sakit ay maaaring maging progresibo; ibig sabihin, para sa marami, maaari itong magsimula bilang mga banayad na sintomas lamang na hindi nagdudulot ng alarma, bago mabilis na umunlad sa isang diagnosis na nagbabanta sa buhay, na humahantong sa kamatayan. Sa kabutihang palad, ang hanay ng mga panterapeutika na nakatuon sa pagtulong sa mga pasyenteng may kanser sa baga ay lumago nang husto sa nakalipas na dalawang dekada. Gayunpaman, ang maagang pagtuklas ng kanser ay isa pa rin sa tanging paraan upang makabuluhang bawasan ang dami ng namamatay.

Ang isang kapansin-pansing tagumpay sa arena na ito ay ang kamakailang anunsyo ng Massachusetts Institute of Technology (MIT) at Mass General Hospital (MGH) tungkol sa pagbuo ng isang modelo ng malalim na pag-aaral na pinangalanang "Sybil" na maaaring magamit upang mahulaan ang panganib ng kanser sa baga, gamit ang data. mula lamang sa isang CT scan. Ang pag-aralan ay pormal na nai-publish sa Journal of Clinical Oncology noong nakaraang linggo, at tinatalakay kung paano "ang mga tool na nagbibigay ng personalized na pagtatasa ng panganib sa kanser sa hinaharap ay maaaring tumuon sa mga diskarte sa mga malamang na makinabang." Kaya naman, ang mga pinuno ng pag-aaral ay nagpahayag na "isang malalim na modelo ng pag-aaral na nagtatasa sa buong volumetric na data ng LDCT [Low Dose Contrast CT] ay maaaring itayo upang mahulaan ang indibidwal na panganib nang hindi nangangailangan ng karagdagang demograpiko o klinikal na data."

Nagsisimula ang modelo sa isang pangunahing paniniwala: "Ang mga larawan ng LDCT ay naglalaman ng impormasyon na mahuhulaan sa hinaharap na panganib sa kanser sa baga na higit pa sa kasalukuyang mga tampok na makikilala gaya ng mga nodule sa baga." Kaya naman, hinangad ng mga developer na "buuin at patunayan ang isang malalim na algorithm sa pag-aaral na hinuhulaan ang panganib sa kanser sa baga sa hinaharap hanggang 6 na taon mula sa isang pag-scan ng LDCT, at tasahin ang potensyal na epekto nito sa klinikal."

Sa pangkalahatan, kahanga-hangang matagumpay ang pag-aaral, sa ngayon: Nahuhulaan ni Sybil ang panganib sa kanser sa baga sa hinaharap ng isang pasyente sa isang tiyak na lawak ng katumpakan, gamit ang data mula sa isang LDCT lamang.

Walang alinlangan, ang mga klinikal na aplikasyon at mga implikasyon para sa teknolohiyang ito ay wala pa sa gulang. Maging ang mga pinuno ng pag-aaral ay sumasang-ayon na kailangang gumawa ng makabuluhang gawain upang malaman kung paano eksaktong ilalapat ang teknolohiyang ito sa aktwal na klinikal na kasanayan— partikular na patungkol sa pagbuo ng antas ng kumpiyansa sa teknolohiya, kung saan ang mga manggagamot at pasyente ay makadarama ng ligtas na umaasa sa mga output ng system.

Gayunpaman, ang premise ng algorithm ay hindi kapani-paniwalang makapangyarihan pa rin at nangangailangan ng potensyal na game-changer sa larangan ng predictive diagnostics.

Ang mga hakbang sa diagnostic ay hindi kailanman naging napakalakas. Ang katotohanan na ang isang tool ay maaaring gumamit lamang ng isang CT scan upang mahulaan ang isang pangmatagalang paggana ng sakit ay maaaring potensyal na malutas ang maraming mga problema-ang pinakamahalaga ay ang pagpapagana ng maagang paggamot at pagbaba ng dami ng namamatay.

Ang mga Pundits, sa paunang pamumula, ay maaaring itulak muli laban sa mga sistemang tulad nito, na sinasabing walang AI system ang posibleng tumugma sa paghatol at klinikal na kahusayan nang sapat upang palitan ang isang manggagamot ng tao. Ngunit ang layunin ng mga system na tulad nito ay hindi kinakailangang palitan ang kadalubhasaan ng manggagamot, ngunit sa halip na potensyal na dagdagan ang mga daloy ng trabaho ng doktor.

Ang isang sistema tulad ng Sybil ay napakadaling magamit bilang isang tool sa pagrerekomenda, na posibleng mag-flag tungkol sa mga CT sa isang manggagamot, na maaaring gumamit ng kanilang sariling klinikal na paghuhusga upang sumang-ayon o hindi sumang-ayon sa rekomendasyon ni Sybil. Ito ay hindi lamang malamang na mapabuti ang klinikal na throughput, ngunit maaari ring kumilos bilang pangalawang proseso ng "pagsusuri" at posibleng mapahusay ang katumpakan ng diagnostic.

Walang alinlangan, marami pa ring kailangang gawin sa arena na ito. Ang mga siyentipiko, developer, at innovator ay may mahabang paglalakbay sa unahan nila hindi lamang sa pagperpekto sa aktwal na algorithm at system mismo, kundi pati na rin sa pag-navigate sa hyper-nuanced na arena ng pagpapakilala ng teknolohiyang ito sa aktwal na mga klinikal na aplikasyon. Gayunpaman, ang teknolohiya, ang intensyon, at ang potensyal na taglay nito patungkol sa pagpapabuti ng pangangalaga sa pasyente, kung ito ay binuo sa isang ligtas, etikal, at mabisang paraan, ay talagang nangangako para sa henerasyon ng mga diagnostic na darating.