MIT და Mass General Hospital-მა შეიმუშავეს ხელოვნური ინტელექტის სისტემა, რომელსაც შეუძლია ფილტვის კიბოს გამოვლენა

ფილტვის კიბო დამანგრეველი დაავადებაა. მიხედვით ჯანდაცვის მსოფლიო ორგანიზაციაფილტვის კიბო სიკვდილის ერთ-ერთი ყველაზე გავრცელებული მიზეზია მსოფლიოში, მხოლოდ 2.21 წელს დაახლოებით 2020 მილიონი შემთხვევაა. მნიშვნელოვანია, რომ დაავადება შეიძლება იყოს პროგრესირებადი; ანუ, ბევრისთვის ის შეიძლება დაიწყოს როგორც მსუბუქი სიმპტომები, რომლებიც არ იწვევენ განგაშს, სანამ სწრაფად გადაიქცევა სიცოცხლისთვის საშიშ დიაგნოზად, რაც გამოიწვევს სიკვდილს. საბედნიეროდ, თერაპიული საშუალებების სპექტრი, რომელიც ორიენტირებულია ფილტვის კიბოს მქონე პაციენტების დახმარებაზე, საოცრად გაიზარდა ბოლო ორი ათწლეულის განმავლობაში. თუმცა, კიბოს ადრეული გამოვლენა კვლავ ერთ-ერთი ერთადერთი საშუალებაა სიკვდილიანობის მაჩვენებლის საგრძნობლად შემცირებისთვის.

ამ ასპარეზზე ერთ-ერთი შესამჩნევი მიღწევაა მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის (MIT) და Mass General Hospital (MGH) ბოლო განცხადება ღრმა სწავლის მოდელის შემუშავების შესახებ, სახელწოდებით "Sybil", რომელიც შეიძლება გამოყენებულ იქნას ფილტვის კიბოს რისკის პროგნოზირებისთვის, მონაცემების გამოყენებით. მხოლოდ ერთი კომპიუტერული ტომოგრაფიიდან. The შესწავლა ოფიციალურად გამოქვეყნდა ჟურნალში კლინიკური ონკოლოგიის ჟურნალში გასულ კვირას და განიხილავს, თუ როგორ "ინსტრუმენტები, რომლებიც უზრუნველყოფენ პერსონალიზებულ მომავალ კიბოს რისკის შეფასებას, შეიძლება ფოკუსირება მოახდინონ მიდგომებზე მათზე, ვინც ყველაზე მეტად ისარგებლებს". ამრიგად, კვლევის ლიდერებმა განაცხადეს, რომ „ღრმა სწავლის მოდელი, რომელიც აფასებს მთლიანი მოცულობითი LDCT [დაბალი დოზის კონტრასტის CT] მონაცემებს, შეიძლება შეიქმნას ინდივიდუალური რისკის პროგნოზირებისთვის დამატებითი დემოგრაფიული ან კლინიკური მონაცემების საჭიროების გარეშე“.

მოდელი იწყება ძირითადი პრინციპით: „LDCT სურათები შეიცავს ინფორმაციას, რომელიც პროგნოზირებს ფილტვის კიბოს მომავალ რისკს, იმ ფუნქციების მიღმა, როგორიცაა ფილტვის კვანძები“. აქედან გამომდინარე, დეველოპერები ცდილობდნენ „შეემუშავებინათ და დაადასტურონ ღრმა სწავლის ალგორითმი, რომელიც წინასწარმეტყველებს ფილტვის კიბოს მომავალ რისკს 6 წლამდე ერთი LDCT სკანირებიდან და შეაფასებს მის პოტენციურ კლინიკურ გავლენას“.

საერთო ჯამში, კვლევა საოცრად წარმატებული იყო, ჯერჯერობით: სიბილს შეუძლია გარკვეული სიზუსტით წინასწარ განსაზღვროს პაციენტის ფილტვის კიბოს მომავალი რისკი, მხოლოდ ერთი LDCT-ის მონაცემების გამოყენებით.

ეჭვგარეშეა, ამ ტექნოლოგიის კლინიკური აპლიკაციები და შედეგები ჯერ კიდევ გაუაზრებელია. კვლევის ლიდერებიც კი თანხმდებიან, რომ მნიშვნელოვანი სამუშაო იქნება საჭირო იმის გასარკვევად, თუ როგორ გამოვიყენოთ ეს ტექნოლოგია რეალურ კლინიკურ პრაქტიკაში - კონკრეტულად ტექნოლოგიისადმი ნდობის ხარისხის განვითარებასთან დაკავშირებით, რომლითაც ექიმები და პაციენტები თავს დაცულად იგრძნობენ. სისტემის გამომავალი.

თუმცა, ალგორითმის წინაპირობა ჯერ კიდევ წარმოუდგენლად ძლიერია და იწვევს პოტენციურ თამაშის შეცვლას პროგნოზირებადი დიაგნოსტიკის სფეროში.

დიაგნოსტიკური ზომები არასდროს ყოფილა ასეთი ძლიერი. ის ფაქტი, რომ ხელსაწყოს შეუძლია გამოიყენოს მხოლოდ ერთი CT სკანირება დაავადების გრძელვადიანი ფუნქციის პროგნოზირებისთვის, შეიძლება პოტენციურად გადაჭრას მრავალი პრობლემა, რომელთაგან ყველაზე მნიშვნელოვანია ადრეული მკურნალობის შესაძლებლობა და სიკვდილიანობის შემცირება.

მკვლევარებმა, საწყის ეტაპზე, შეიძლება უკუაგდონ მსგავსი სისტემები და აღნიშნავენ, რომ ხელოვნური ხელოვნური ინტელექტის სისტემა ვერ შეესაბამებოდა მსჯელობას და კლინიკურ უნარს საკმარისად, რომ შეცვალოს ადამიანის ექიმი. მაგრამ ასეთი სისტემების დანიშნულება სულაც არ არის ექიმის გამოცდილების შეცვლა, არამედ ექიმის სამუშაო ნაკადების პოტენციურად გაზრდა.

Sybil-ის მსგავსი სისტემა შეიძლება ძალიან ადვილად გამოვიყენოთ, როგორც სარეკომენდაციო ინსტრუმენტი, რომელიც პოტენციურად ასახელებს CT-ებს ექიმს, რომელსაც შეუძლია გამოიყენოს საკუთარი კლინიკური შეფასება, რათა დაეთანხმოს ან არ დაეთანხმოს სიბილის რეკომენდაციას. ეს არა მხოლოდ სავარაუდოდ გააუმჯობესებს კლინიკურ გამტარუნარიანობას, არამედ შეიძლება იმოქმედოს როგორც მეორადი „შემოწმების“ პროცესი და შესაძლოა გაზარდოს დიაგნოსტიკური სიზუსტე.

ეჭვგარეშეა, ამ ასპარეზზე ჯერ კიდევ ბევრია სამუშაო. მეცნიერებს, დეველოპერებს და ინოვატორებს წინ გრძელი მოგზაურობა აქვთ არა მხოლოდ თავად ფაქტობრივი ალგორითმისა და სისტემის სრულყოფაში, არამედ ამ ტექნოლოგიის რეალურ კლინიკურ პროგრამებში დანერგვის ჰიპერ ნიუანსურ ასპარეზზე. მიუხედავად ამისა, ტექნოლოგია, განზრახვა და პოტენციალი მას გააჩნია პაციენტზე მოვლის გაუმჯობესებასთან დაკავშირებით, თუ ის უსაფრთხო, ეთიკური და ეფექტური გზით არის შემუშავებული, ნამდვილად იმედისმომცემია მომავალი დიაგნოსტიკის თაობისთვის.