Technologia sztucznej inteligencji pomaga we wczesnym wykrywaniu raka trzustki

Pekin – Metoda głębokiego uczenia się umożliwia obecnie wykrywanie i klasyfikację zmian w trzustce z dużą dokładnością za pomocą tomografii komputerowej bez kontrastu i „może służyć jako nowe narzędzie do wielkoskalowych badań przesiewowych w kierunku raka trzustki”, jak wynika z artykułu badawczego opublikowanego w wiodącym czasopiśmie medycznym. dziennik w poniedziałek.

To podejście do wykrywania raka trzustki przy użyciu sztucznej inteligencji opiera się na technologii głębokiego uczenia się opracowanej przez Akademię Damo Alibaba Group.

Badanie opublikowano na stronie internetowej czasopisma medycznego Nature Medicine.

Naukowcy z Akademii DAMO i ponad 10 prestiżowych instytucji medycznych w Chinach, Czechach i Stanach Zjednoczonych wykorzystali medyczną technologię sztucznej inteligencji i tomografii komputerowej do wykrycia 31 przypadków zmian patologicznych podczas badań przesiewowych u ponad 20 000 bezobjawowych osób w świecie rzeczywistym pod kątem raka trzustki. Wśród nich dwóch pacjentów z wczesnym stadium raka trzustki zostało wyleczonych operacyjnie.

Średni pięcioletni wskaźnik przeżycia pacjentów, u których zdiagnozowano raka trzustki, wynosi mniej niż 10%, co czyni nowotwór złośliwy o jednym z najniższych wskaźników przeżywalności w Chinach i na świecie. Około 80 procent przypadków raka trzustki wykrywa się dopiero w zaawansowanym, nieoperacyjnym stadium.

Eksperci medyczni stwierdzili, że w aktualnych wytycznych klinicznych brakuje skutecznych metod badań przesiewowych, ponieważ kontrast obrazów tomografii komputerowej powszechnie stosowanych w badaniach fizykalnych jest niski, co utrudnia identyfikację wczesnych zmian patologicznych w trzustce.

Ze względu na często ukrytą lokalizację guzów trzustki i brak wyraźnej reprezentacji na obrazach tomografii komputerowej naukowcy stworzyli platformę głębokiego uczenia się i rozwinęli ją jako model wczesnego wykrywania raka trzustki. Do jego funkcji należy określenie lokalizacji trzustki, wykrywanie nieprawidłowości oraz klasyfikacja i identyfikacja typów zmian patologicznych trzustki.

„Krótko mówiąc, technologia wykorzystuje sztuczną inteligencję do powiększania i identyfikowania drobnych cech zmian patologicznych na obrazach CT bez kontrastu, które są trudne do rozpoznania gołym okiem, umożliwiając w ten sposób skuteczne i bezpieczne wczesne wykrywanie raka trzustki. Liu Li, odpowiedzialny za zespół medyczny ds. sztucznej inteligencji w Akademii DAMO stwierdził: „Rozwiązuje to również problem dużej liczby wyników fałszywie dodatnich, jaki występował w przypadku poprzednich metod badań przesiewowych”.

Cao Kai, współautor artykułu i lekarz w Szanghajskim Instytucie Chorób Trzustki, powiedział, że badanie zostało zweryfikowane w ponad 10 szpitalach i wykazało czułość na poziomie 92,9%, co stanowi współczynnik dokładności w określaniu obecności chorób współistniejących. choroby trzustki. zmian, a swoistość wynosi 99,9 procent, co stanowi stopień dokładności w określeniu braku choroby.

Instytucje zaangażowane w rozwój tego podejścia obejmują Szanghajski Instytut Chorób Trzustki, Pierwszy Szpital Stowarzyszony Szkoły Medycznej Uniwersytetu Zhejiang, Szpital Xingjing Chińskiego Uniwersytetu Medycznego, Pierwsza Szkoła Medyczna Uniwersytetu Karola w Pradze i Uniwersytet Johnsa Hopkinsa w Pradze. My. Naukowcy oświadczyli, że będą nadal prowadzić prospektywną, wieloośrodkową walidację kliniczną.

„W artykule zaproponowano potencjalny sposób wykrywania raka trzustki na dużą skalę. Może to poprawić wskaźnik wykrywalności bez narażania pacjentów na dodatkowe promieniowanie i obciążenia finansowe” – powiedział Gu Yajia, dyrektor Zakładu Radiologii Diagnostycznej w Centrum Onkologii Uniwersytetu Fudan w Szanghaj.

Zespół medycznej sztucznej inteligencji w DAMO Academy poinformował, że współpracuje również z kilkoma dużymi instytucjami medycznymi na całym świecie, aby wykorzystać sztuczną inteligencję do odkrywania nowych, tanich i skutecznych metod wielokrotnych badań przesiewowych w kierunku raka, aby umożliwić indywidualnym badaniom przesiewowym pod kątem różnych chorób. wczesne nowotwory. Ocena stopnia zaawansowania nowotworu na podstawie pojedynczego tomografii komputerowej bez kontrastu.