MIT & Mass General Hospital har utvecklat ett AI-system som kan upptäcka lungcancer

Lungcancer är en förödande sjukdom. Enligt VÄRLDSHÄLSOORGANISATIONEN, är lungcancer en av de vanligaste dödsorsakerna i världen och står för nästan 2.21 miljoner fall enbart under 2020. Viktigt är att sjukdomen kan vara progressiv; det vill säga, för många kan det börja som bara milda symtom som inte larmar, innan det snabbt utvecklas till en livshotande diagnos som leder till döden. Lyckligtvis har utbudet av terapier fokuserade på att hjälpa patienter med lungcancer växt enormt under de senaste två decennierna. Tidig upptäckt av cancern är dock fortfarande ett av de enda sätten att avsevärt minska dödligheten.

En anmärkningsvärd prestation på denna arena är det senaste tillkännagivandet från Massachusetts Institute of Technology (MIT) och Mass General Hospital (MGH) angående utvecklingen av en djupinlärningsmodell med namnet "Sybil" som kan användas för att förutsäga risken för lungcancer, med hjälp av data från bara en enda datortomografi. De studera publicerades formellt i Journal of Clinical Oncology förra veckan, och diskuterar hur "verktyg som ger personlig framtida cancerriskbedömning kan fokusera tillvägagångssätt mot dem som mest sannolikt kommer att gynnas." Därför ansåg studieledarna att "en djupinlärningsmodell som bedömer hela volymetrisk LDCT [Low Dos Contrast CT]-data skulle kunna byggas för att förutsäga individuell risk utan att kräva ytterligare demografiska eller kliniska data."

Modellen börjar med en grundläggande grundsats: "LDCT-bilder innehåller information som förutsäger framtida lungcancerrisk utöver för närvarande identifierbara egenskaper som lungknölar." Därför försökte utvecklarna "utveckla och validera en djupinlärningsalgoritm som förutsäger framtida lungcancerrisk upp till 6 år från en enda LDCT-skanning, och bedöma dess potentiella kliniska effekt."

Sammantaget har studien hittills varit anmärkningsvärt framgångsrik: Sybil kan förutsäga en patients framtida lungcancerrisk med en viss noggrannhet med hjälp av data från bara en LDCT.

Utan tvekan är kliniska tillämpningar och implikationer för denna teknik fortfarande omogna. Till och med studieledarna är överens om att betydande arbete kommer att behöva göras för att ta reda på exakt hur man tillämpar denna teknik i verklig klinisk praxis – särskilt när det gäller att utveckla en viss grad av förtroende för tekniken, som läkare och patienter kommer att känna sig trygga med att förlita sig på systemets utgångar.

Utgångspunkten för algoritmen är dock fortfarande otroligt kraftfull och innebär en potentiell spelväxlare inom området för prediktiv diagnostik.

Diagnostiska åtgärder har aldrig tidigare varit så kraftfulla. Det faktum att ett verktyg kan använda bara en datortomografi för att förutsäga en långvarig sjukdomsfunktion kan potentiellt lösa många problem – det viktigaste är att möjliggöra tidig behandling och minskad dödlighet.

Pundits, vid den första rodnaden, kan trycka tillbaka mot system som dessa, och påpeka att inget AI-system möjligen skulle kunna matcha omdömet och den kliniska skickligheten tillräckligt bra för att ersätta en mänsklig läkare. Men syftet med system som dessa är inte nödvändigtvis att ersätta läkares expertis, utan snarare att potentiellt utöka läkarflöden.

Ett system som Sybil skulle mycket enkelt kunna användas som ett rekommendationsverktyg och flagga potentiellt angående CT till en läkare, som sedan kan använda sin egen kliniska bedömning för att antingen hålla med eller inte hålla med om Sybils rekommendation. Detta skulle sannolikt inte bara förbättra den kliniska genomströmningen, utan skulle också kunna fungera som en sekundär "kontroll"-process och möjligen förbättra diagnostisk noggrannhet.

Utan tvekan finns det fortfarande mycket arbete att göra på denna arena. Forskare, utvecklare och innovatörer har en lång resa framför sig när det gäller att inte bara perfekta själva algoritmen och själva systemet, utan också när det gäller att navigera på den hypernyanserade arenan att introducera denna teknik i faktiska kliniska tillämpningar. Ändå är tekniken, avsikten och potentialen den har när det gäller att förbättra patientvården, om den utvecklas på ett säkert, etiskt och effektivt sätt, verkligen lovande för genereringen av diagnostik som kommer.