Model dubokog učenja procenjuje rizik od raka plućnih čvorića

Instrument dubokog učenja veštačke inteligencije koji procenjuje rizik od maligniteta plućnih čvorića postigao je odlične rezultate u detekciji raka, značajno smanujući lažne pozitivne rezultate.

Rezultati studije, koja je koristila podatke iz velikih skrininga raka pluća sa više lokacija, objavljeni su u žurnalu Radiologija Radiološkog društva Severne Amerike (RSNA)

Preporučujemo

Rak pluća ostaje veliki globalni zdravstveni problem koji uzrokuje većinu smrti povezanih sa rakom. Skrining osoba sa visokim rizikom putem niske doze kompjuterizovane tomografije (CT) grudnog koša redukuje mortalitet.

Međutim, rana ispitivanja su zabeležila visoke stope lažnih pozitivnih rezultata, što je dovelo do nepotrebnih kontrolnih procedura, povećane anksioznosti pacijenata i cene zdravstvene zaštite.

Plućni čvorići – male okrugle ili ovalne izasline na plućima – uobičajeni su i identifikacija koji su maligni predstavlja izazov prilikom skriniga za rak pluća.

„Duboko učenje daje obećavajuća rešenja, ali je značajna validacija neophodna“, kažu istraživači iz holandskog Medicinskog centra Univerziteta Radbod u Nejmegenu.

Većina sadašnjih protokola za skrining raka pluća oslanja se na veličinu, tip i rast čvorića radi procene rizika od maligniteta. Pankanadska rana detekcija raka pluća (PanCan), model koji ocenjuje rizik od maligniteta čvorića putem kombinovanja karakteristika pacijenta i čvorića, ilustruje kako instrumenti na bazi verovatnoće mogu da usavrše procenu rizika.

Takva određivanja rizika na bazi verovatnoće se sve više koriste u protokolima. Duboko učenje nudi obećavajuću alternativu omogućavajući predviđanja potpuno na bazi podataka, ali je potrebno još dokaza pre nego što bude prihvaćeno u kliničkoj praksi.

Istraživači su ocenili učinak algoritma dubokog učenja sa čvorićima neizvesnog statusa (5-15 milimetara) i sa malignim čvorićima iste veličine kao benigni.

„Izabrali smo čvoriće veličine 5-15 milimetara zbog dijagnostičkih izazova i česte potrebe za kratkoročnom kontrolom. Tačna klasifikacija rizika ovih čvorića mogla bi smanjiti nepotrebne procedure“, kažu istraživači.

„Algoritmi dubokog učenja mogu pomoći radiolozima u odlučivanju da li je kontrolno snimanje potrebno, ali je buduća validacija neophodna radi utvrđivanja kliničke adaptivnosti ovih instrumenata i regulisanja njihove implementacije u praksi. Redukovanje lažno pozitivnih rezultata će učiniti skrining raka pluća praktičnijim“.

(Telegraf Nauka/EurekAlert)