Artificiell intelligens bättre än människor för att upptäcka lungcancer
Forskare har använt en djupinlärningsalgoritm för att upptäcka lungcancer exakt från datortomografi. Resultaten av studien visar att artificiell intelligens kan överträffa mänsklig utvärdering av dessa skanningar.
Ny forskning tyder på att en datoralgoritm kan vara bättre än radiologer att upptäcka lungcancer.Lungcancer orsakar nästan 160 000 dödsfall i USA, enligt de senaste uppskattningarna. Tillståndet är den främsta orsaken till cancerrelaterad död i USA, och tidig upptäckt är avgörande för både att stoppa spridningen av tumörer och förbättra patientresultaten.
Som ett alternativ till röntgen i bröstet har vårdpersonal nyligen använt datortomografi (CT) för att undersöka lungcancer.
Faktum är att vissa forskare hävdar att CT-skanningar är överlägsna röntgen för detektering av lungcancer, och forskning har visat att lågdos-CT (LDCT) i synnerhet har minskat dödsfall med lungcancer med 20%.
Men en hög andel av falska positiva och falska negativ riddles fortfarande LDCT-förfarandet. Dessa fel fördröjer vanligtvis diagnosen lungcancer tills sjukdomen har nått ett avancerat stadium när det blir för svårt att behandla.
Ny forskning kan skydda mot dessa fel. En grupp forskare har använt artificiell intelligens (AI) för att upptäcka lungtumörer i LDCT-skanningar.
Daniel Tse, från Google Health Research Group i Mountain View, CA, är motsvarande författare till studien, vars resultat visas i tidskriften Naturmedicin.
”Modell överträffade alla sex radiologer”
Tse och kollegor använde en form av AI som kallas djupinlärning på 42.290 LDCT-skanningar, som de använde från Northwestern Electronic Data Warehouse och andra datakällor som tillhör Northwestern Medicine-sjukhusen i Chicago, IL.
Den djupinlärande algoritmen gör det möjligt för datorer att lära sig genom exempel. I det här fallet utbildade forskarna systemet med en primär LDCT-skanning tillsammans med en tidigare LDCT-skanning, om det var tillgängligt.
Tidigare LDCT-skanningar är användbara eftersom de kan avslöja en onormal tillväxthastighet för lungknutor, vilket indikerar malignitet.
I den aktuella studien tillhandahöll AI ett ”automatiserat bildutvärderingssystem” som korrekt förutsagde maligniteten hos lungknutor utan mänskligt ingripande.
Forskarna jämförde AI: s utvärderingar med de av sex styrelse-certifierade amerikanska radiologer som hade upp till 20 års klinisk erfarenhet.
När tidigare LDCT-skanningar inte fanns tillgängliga överträffade AI-modellen alla sex radiologer med absoluta minskningar av 11% i falska positiva och 5% i falska negativ, rapporterar Tse och kollegor. När tidigare avbildning fanns tillgänglig presterade AI lika bra som radiologerna.
Studie medförfattare Dr Mozziyar Etemadi, en forskningsassistent professor i anestesiologi vid Northwestern University Feinberg School of Medicine i Chicago, förklarar varför AI kan överträffa mänsklig utvärdering.
"Radiologer undersöker i allmänhet hundratals 2D-bilder eller" skivor "i en enda CT-skanning, men det här nya maskininlärningssystemet visar lungorna i en enorm, enda 3D-bild", säger Dr. Etemadi.
”AI i 3D kan vara mycket känsligare när det gäller att upptäcka tidig lungcancer än det mänskliga ögat som tittar på 2D-bilder. Detta är tekniskt "4D" eftersom det inte bara tittar på en CT-skanning utan två (nuvarande och tidigare skanning) över tiden. "
Dr Mozziyar Etemadi
"För att bygga AI för att se CT: erna på detta sätt behöver du ett enormt datorsystem av Google-skala", fortsätter han. "Konceptet är nytt, men den verkliga konstruktionen av det är också nytt på grund av skalan."
Dr Etemadi fortsätter att hyra fördelarna med att använda djupinlärningsteknik och betona dess precision. "Systemet kan kategorisera en lesion med mer specificitet", säger forskaren.
"Inte bara kan vi bättre diagnostisera någon med cancer, vi kan också säga om någon inte har cancer, vilket potentiellt räddar dem från en invasiv, kostsam och riskabel lungbiopsi", avslutar Dr. Etemadi.
Forskarna varnar dock för att det först är nödvändigt att validera dessa resultat i större kohorter.