ابزار هوش مصنوعی برای پیش بینی خطر سرطان ریه

سرطان ریه عامل اصلی مرگ ناشی از سرطان در ایالات متحده و سراسر جهان است. توموگرافی کامپیوتری قفسه سینه با دوز پایین (LDCT) برای غربالگری افراد بین 50 تا 80 سال با سابقه مصرف سیگار و یا افرادی که در حال حاضر سیگار می‌کشند، توصیه می‌شود. نشان داده شده است که غربالگری سرطان ریه با LDCT مرگ ناشی از سرطان ریه را تا 24 درصد کاهش می دهد.

اما با افزایش نرخ سرطان ریه در میان غیر سیگاری ها، استراتژی های جدیدی برای غربالگری و پیش بینی دقیق خطر سرطان ریه در جمعیت وسیع تری مورد نیاز است. مطالعه‌ای که توسط محققان مرکز سرطان عمومی Mass، یکی از اعضای Mass General Brigham، با همکاری محققان موسسه فناوری ماساچوست (MIT) هدایت شد، ابزار هوش مصنوعی معروف به Sybil را توسعه و آزمایش کرد.

بر اساس تجزیه و تحلیل اسکن LDCT از بیماران در ایالات متحده و تایوان، Sybil به طور دقیق خطر ابتلا به سرطان ریه را برای افراد با یا بدون سابقه مصرف سیگار قابل توجه پیش بینی کرد. نتایج در منتشر شده است مجله انکولوژی بالینی.

دکتر Lecia Sequist، نویسنده گزارشگر، گفت: «میزان سرطان ریه در بین افرادی که هرگز سیگار نکشیده‌اند یا سال‌ها است سیگار نکشیده‌اند همچنان در حال افزایش است، که نشان می‌دهد عوامل خطر زیادی در خطر ابتلا به سرطان ریه نقش دارند که برخی از آنها در حال حاضر ناشناخته هستند». ، MPH، مدیر مرکز نوآوری در تشخیص زودهنگام سرطان و انکولوژیست سرطان ریه در مرکز سرطان عمومی Mass.

ما به جای ارزیابی عوامل خطر محیطی یا ژنتیکی، ابزاری را توسعه داده‌ایم که می‌تواند از تصاویر برای بررسی زیست‌شناسی جمعی و پیش‌بینی خطر سرطان استفاده کند.»

گروه ویژه خدمات پیشگیری ایالات متحده LDCT سالانه را برای افراد بالای 50 سال با سابقه 20 بسته سال توصیه می کند که در حال حاضر سیگار می کشند یا در 15 سال گذشته سیگار را ترک کرده اند. اما کمتر از 10 درصد از بیماران واجد شرایط سالانه غربالگری می شوند.

برای کمک به بهبود کارایی غربالگری سرطان ریه و ارائه ارزیابی‌های فردی، Sequist و همکارانش در مرکز سرطان عمومی Mass با محققانی از کلینیک Jameel در MIT همکاری کردند. با استفاده از داده‌های آزمایش ملی غربالگری ریه (NLST)، تیم Sybil یک مدل یادگیری عمیق را توسعه داد که اسکن‌ها را تحلیل می‌کند و خطر سرطان ریه را برای یک تا شش سال آینده پیش‌بینی می‌کند.

فلوریان فینتلمن، یکی از نویسندگان بخش رادیولوژی، بخش تصویربرداری و مداخله قفسه سینه در بیمارستان عمومی ماساچوست، گفت: “Sybil تنها به یک LDCT نیاز دارد و به داده های بالینی یا حاشیه نویسی رادیولوژیست بستگی ندارد.” “این به گونه ای طراحی شده است که در زمان واقعی در پس زمینه یک ایستگاه خواندن استاندارد رادیولوژی اجرا شود که پشتیبانی تصمیم گیری بالینی در نقطه مراقبت را امکان پذیر می کند.”

این تیم، Sybil را با استفاده از سه مجموعه داده مستقل تأیید کرد – مجموعه‌ای از اسکن‌های بیش از 6000 شرکت‌کننده NLST که Sybil قبلاً آن‌ها را ندیده بود. 8821 LDCT از بیمارستان عمومی ماساچوست (MGH); و 12280 LDCT از بیمارستان یادبود چانگ گونگ در تایوان. مجموعه اخیر اسکن ها شامل افرادی با طیف وسیعی از سابقه مصرف سیگار، از جمله کسانی که هرگز سیگار نکشیده اند، می شود.

Sybil قادر به پیش بینی دقیق خطر سرطان ریه در این مجموعه ها بود. محققان تعیین کردند که Sybil تا چه اندازه از منطقه زیر منحنی (AUC) استفاده می‌کند، معیاری است که نشان می‌دهد چقدر یک آزمایش می‌تواند بین نمونه‌های بیماری و نمونه‌های عادی تمایز قائل شود و در آن 1.0 امتیاز کامل است.

Sybil سرطان را در عرض یک سال با AUCهای 0.92 برای شرکت‌کنندگان اضافی NLST، 0.86 برای مجموعه داده‌های MGH و 0.94 برای مجموعه داده‌های تایوان پیش‌بینی کرد. این برنامه سرطان ریه را طی شش سال با AUCهای 0.75، 0.81 و 0.80 به ترتیب برای سه مجموعه داده پیش بینی کرد.

رجینا بارزیلای، عضو هیئت علمی رجینا بارزیلای، عضو هیئت علمی کاخ برای تحقیقات سرطان ریه، یکی از نویسندگان و سرپرست هیئت علمی کلینیک جمیل، گفت: «سیبیل می‌تواند به یک تصویر نگاه کند و خطر ابتلای بیمار به سرطان ریه را طی شش سال پیش‌بینی کند». “من از تلاش‌های ترجمه‌ای به رهبری تیم MGH که با هدف تغییر نتایج برای بیمارانی که در غیر این صورت به بیماری پیشرفته مبتلا می‌شوند، هیجان‌زده هستم.”

محققان خاطرنشان می‌کنند که این یک مطالعه گذشته‌نگر است و مطالعات آینده‌نگر که بیماران را در آینده دنبال می‌کنند برای تأیید اعتبار Sybil مورد نیاز است. علاوه بر این، شرکت کنندگان آمریکایی در این مطالعه عمدتاً سفیدپوست بودند (92 درصد)، و مطالعات آینده برای تعیین اینکه آیا سیبیل می تواند سرطان ریه را در بین جمعیت های مختلف به طور دقیق پیش بینی کند، مورد نیاز است.

Sequist و همکارانش یک آزمایش بالینی آینده نگر را افتتاح خواهند کرد تا Sybil را در دنیای واقعی آزمایش کنند و بفهمند که چگونه کار رادیولوژیست ها را تکمیل می کند. این کد نیز در دسترس عموم قرار گرفته است.

Sequist گفت: “در مطالعه ما، Sybil قادر به تشخیص الگوهای خطر از LDCT بود که برای چشم انسان قابل مشاهده نبود.” “ما هیجان زده هستیم که این برنامه را بیشتر آزمایش کنیم تا ببینیم آیا می تواند اطلاعاتی را اضافه کند که به رادیولوژیست ها در تشخیص کمک کند و ما را در مسیری برای شخصی سازی غربالگری بیماران قرار دهد.”