MIT & Mass General Hospital hebben een AI-systeem ontwikkeld dat longkanker kan detecteren

Longkanker is een verwoestende ziekte. Volgens de World Health Organization, is longkanker wereldwijd een van de meest voorkomende doodsoorzaken, alleen al in 2.21 goed voor bijna 2020 miljoen gevallen. Belangrijk is dat de ziekte progressief kan zijn; dat wil zeggen, voor velen kan het beginnen als slechts milde symptomen die geen alarm veroorzaken, voordat het snel evolueert naar een levensbedreigende diagnose, die tot de dood leidt. Gelukkig is het scala aan therapieën gericht op het helpen van patiënten met longkanker de afgelopen twee decennia enorm gegroeid. Vroege detectie van kanker is echter nog steeds een van de weinige manieren om de sterftecijfers significant te verlagen.

Een opmerkelijke prestatie op dit gebied is de recente aankondiging door het Massachusetts Institute of Technology (MIT) en het Mass General Hospital (MGH) met betrekking tot de ontwikkeling van een deep learning-model genaamd "Sybil" dat kan worden gebruikt om het risico op longkanker te voorspellen, met behulp van gegevens van slechts een enkele CT-scan. De studies werd vorige week formeel gepubliceerd in het Journal of Clinical Oncology en bespreekt hoe "tools die een gepersonaliseerde toekomstige risicobeoordeling van kanker bieden, benaderingen kunnen richten op degenen die er het meeste baat bij hebben." Daarom stelden de studieleiders dat "een deep learning-model dat de volledige volumetrische LDCT [Low Dose Contrast CT]-gegevens beoordeelt, zou kunnen worden gebouwd om individueel risico te voorspellen zonder dat aanvullende demografische of klinische gegevens nodig zijn."

Het model begint met een basisprincipe: "LDCT-beelden bevatten informatie die voorspellend is voor het toekomstige risico op longkanker, naast de momenteel identificeerbare kenmerken zoals longknobbeltjes." Daarom probeerden de ontwikkelaars "een algoritme voor diep leren te ontwikkelen en te valideren dat het toekomstige risico op longkanker tot 6 jaar na een enkele LDCT-scan voorspelt, en de potentiële klinische impact ervan te beoordelen."

Al met al is de studie tot nu toe opmerkelijk succesvol geweest: Sybil kan het toekomstige risico op longkanker van een patiënt tot op zekere hoogte voorspellen met behulp van de gegevens van slechts één LDCT.

Ongetwijfeld zijn klinische toepassingen en implicaties voor deze technologie nog in de kinderschoenen. Zelfs de onderzoeksleiders zijn het erover eens dat er veel werk zal moeten worden verzet om erachter te komen hoe deze technologie precies in de klinische praktijk kan worden toegepast, met name met betrekking tot het ontwikkelen van een zekere mate van vertrouwen in de technologie, waarbij artsen en patiënten zich veilig zullen voelen als ze erop kunnen vertrouwen. de uitgangen van het systeem.

Het uitgangspunt van het algoritme is echter nog steeds ongelooflijk krachtig en brengt een potentiële game-changer met zich mee op het gebied van voorspellende diagnostiek.

Diagnostische maatregelen waren nog nooit zo krachtig. Het feit dat een tool slechts één CT-scan kan gebruiken om een ​​ziektefunctie op de lange termijn te voorspellen, zou in potentie veel problemen kunnen oplossen, waarvan de belangrijkste het mogelijk maken van vroege behandeling en verminderde mortaliteit is.

Deskundigen zullen, op het eerste gezicht, misschien terugdeinzen tegen systemen als deze, waarbij ze opmerken dat geen enkel AI-systeem het oordeel en de klinische bekwaamheid goed genoeg kan evenaren om een ​​menselijke arts te vervangen. Maar het doel van dergelijke systemen is niet noodzakelijk om de expertise van artsen te vervangen, maar eerder om de workflows van artsen mogelijk te verbeteren.

Een systeem als Sybil zou heel gemakkelijk kunnen worden gebruikt als een aanbevelingsinstrument, waarbij potentieel betreffende CT's worden gemeld aan een arts, die vervolgens zijn eigen klinische oordeel kan gebruiken om het eens of oneens te zijn met de aanbeveling van Sybil. Dit zou waarschijnlijk niet alleen de klinische doorvoer verbeteren, maar zou ook kunnen fungeren als een secundair "controleproces" en mogelijk de diagnostische nauwkeurigheid verbeteren.

Ongetwijfeld is er op dit gebied nog veel werk aan de winkel. Wetenschappers, ontwikkelaars en innovators hebben een lange reis voor de boeg, niet alleen om het eigenlijke algoritme en systeem zelf te perfectioneren, maar ook om te navigeren in de hypergenuanceerde arena om deze technologie in daadwerkelijke klinische toepassingen te introduceren. Desalniettemin zijn de technologie, de intentie en het potentieel dat het heeft met betrekking tot het verbeteren van de patiëntenzorg, als het op een veilige, ethische en doeltreffende manier wordt ontwikkeld, inderdaad veelbelovend voor de toekomstige generatie van diagnostiek.