מחקר שפורסם לאחרונה ב-Cancers ערך מטה-אנליזה להערכת פוטנציאל הבינה המלאכותית (AI) בגילוי מוקדם של סרטן ריאות.
לימוד: מודלים מונעי בינה מלאכותית לאבחון וחיזוי תוצאות בסרטן ריאות: סקירה שיטתית ומטה-אנליזה. קרדיט תמונה: metamorworks/Shutterstock.com
רקע כללי
סרטן ריאות הוא בעיה בריאותית עולמית עם שיעורי תמותה גבוהים עקב אבחון מאוחר. הטכניקות הנוכחיות לגילוי מוקדם כוללות סריקות טומוגרפיה ממוחשבת (CT); עם זאת, נגעים שפירים ורדיולוגים חווים ביצועי השפעה. נדרשות אסטרטגיות חדשניות לשיפור הפרוגנוזה ושיעורי ההישרדות.
מודלים של בינה מלאכותית יכולים לשפר גישות אלו על ידי שיפור הדיוק והיעילות, הפחתת מקרים חיוביים ושליליים כוזבים ומתן טכניקות משלימות לאלו הקיימות.
מערכות אבחון בסיוע בינה מלאכותית בתחום הבריאות, במיוחד עבור סרטן ריאות, עשויות לשפר את דיוק האבחון, היציבות ויעילות העבודה.
לגבי המחקר
במטה-אנליזה הנוכחית, החוקרים העריכו את היעילות של מודלים של AI בזיהוי מוקדם של סרטן ריאתי, תוך הדגשת הפוטנציאל שלהם לשיפור דיוק האבחון וניתוח החוזקות, המגבלות והיתרונות היחסיים שלהם על פני שיטות מסורתיות.
הצוות חיפש במסד הנתונים של PubMed, Science Direct, Embase ו-Google Scholar כדי לאחזר רשומות רלוונטיות שפורסמו באנגלית עד אוקטובר 2023.
שני חוקרים סקרו באופן עצמאי רשומות תוך שימוש בקריטריונים שנקבעו מראש כדי לבחור מחקרים באיכות גבוהה ופתרו אי-התאמות בהסכמה או התייעצות עם חוקר שלישי.
הצוות כלל מאמרי מחקר מקוריים של מחקרים שהעריכו ביצועי AI לאיתור סרטן ריאות בשלב מוקדם ודיווח על הממצאים כמדדי ביצועים כגון ספציפיות, רגישות ודיוק.
הם לא כללו מחקרים עם מידע לקוי על הביצועים של מודלים של AI, פרשנויות, תקצירי כנסים חסרי מידע ראשוני וסקירות.
הצוות חילץ נתונים על מערך המחקר, העיצוב, מודל הבינה המלאכותית בשימוש, מקור הנתונים, מדדי הביצועים, שיטת האימות והתוצאות.
הם עקבו אחר הנחיות הדיווח המועדפות עבור סקירות ומטא-ניתוחים שיטתיים (PRISMA) לניתוח והעריכו את איכות המחקר באמצעות הכלי הערכת איכות של מחקרי דיוק אבחון (QUADAS-2).
תחומי הסיכון ההטיה שהוערכו במחקרים נגעו לבחירת חולים, בדיקת אינדקס, תקן התייחסות, זרימה ותזמון, שדווחו כסיכון נמוך, לא ברור או גבוה.
החוקרים העריכו את ההטרוגניות במחקרים באמצעות מבחנים סטטיסטיים I2 ו-chi-square. הם ביצעו מודלים של אפקטים אקראיים עבור המטה-אנליזה וניתחו חלקות יער של מדדי אבחון מאוחדים עבור מודלים של AI.
תוצאות
בתחילה, הצוות זיהה 1,024 רשומות, העריך 116 כשירות, והוציא 326 כפילויות ו-28 מחקרים שפורסמו בשפות שאינן אנגלית.
רק 39 רשומות עמדו בקריטריונים לזכאות, והציגו יישומים מגוונים של מודל AI לגילוי סרטן ריאות והדגישו חוזקות משתנות בין המחקרים.
המחקר חושף פוטנציאל של בינה מלאכותית לאבחון סרטן ריאות בשלב הראשוני, עם רגישות מאוחדת של 0.87 וסגוליות של 0.87, מה שמצביע על דיוק גבוה בזיהוי חיובי ושליליים אמיתיים.
עם זאת, הצוות ראה הטרוגניות במחקרים עקב הבדלים באוכלוסיות המחקר, מקורות הנתונים ומפרטי המודל. הצוות מצא סיכוני הטיה נמוכים בבחירת חולים, בדיקות אינדקס ותקני התייחסות אך סיכוני הטיה גבוהים יותר בזרימה ובתזמון.
המחקרים הראו כי מודלים של בינה מלאכותית, במיוחד רשתות עצביות חוזרות (RNN) ורשתות עצביות קונבולוציוניות (CNN), יכולים לשפר את דיוק חיזוי סרטן הריאות, להפחית תוצאות חיוביות שגויות ולהפחית את ההשפעה של נתונים חסרים.
מודלים אחרים של בינה מלאכותית בשימוש כללו DL, DBN, למידת מכונה (ML), רגרסיות לוגיסטיות (LL), מסווגי יער אקראיים (RF), מערכות בייסיאניות נאיביות (NBS), רשתות בייסיאניות (BN) ועצי החלטות.
מחקר מסין השתמש במודלים תלת מימדיים של למידה עמוקה בסריקות טומוגרפיה ממוחשבת, והשיג רגישות, ספציפיות ודיוק אבחון כולל של 75%, 82% ו-89%, בהתאמה.
מחקר אחר בסין השתמש ב-Support Vector Machine-Least Absolute Linkage and Selection Operator (SVM-LASSO) על נתוני יוזמת משאבי מסד נתונים של תמונות ריאות (LIDC) והשיג דיוק של 85%, גבוה ב-12% מ-Lung- מערכת דיווח ונתונים (RADS).
מחקר נוסף שנערך בסין השתמש ברשת מעורבת מעורבת תלת מימדית (CMixNet) עבור נתונים שהתקבלו ממערך הנתונים של LIDC-IDRI וניתוח קשרי ריאות (LUNA-16), והשיג רגישות וסגוליות של 94% ו-91%, בהתאמה, המדגים תוצאות טובות יותר מאשר טכניקות קיימות המשמשות לאיתור סרטן ריאות.
הממצאים הדגישו את הפשרות בין ספציפיות ורגישות ואת החוזקות של טכניקות מבוססות בינה מלאכותית.
בעוד שכמה מחקרים הדגישו את הפוטנציאל של בינה מלאכותית להתגבר על אתגרים מסוימים, אחרים הדגישו את המהימנות והיעילות של בינה מלאכותית בהקרנת סרטן ריאתי, לטובת אנשי מקצוע ומטופלים.
מסקנות
ממצאי המחקר הראו כי מודלים של AI מזהים ביעילות סרטן ריאות מוקדם, מזהים חיובי ושליליים ומשפרים פרוגנוזה.
עם זאת, הטרוגניות במחקרים מדגישה את הצורך בפרוטוקולים סטנדרטיים. מחקר עתידי צריך להתמקד בשכלול מודלים של בינה מלאכותית, בחינת אתגרים ושיתוף פעולה עם חוקרים, קלינאים וקובעי מדיניות כדי לקבוע קווים מנחים וסטנדרטים למערכות בינה מלאכותית בהקרנת סרטן ריאתי.
התמודדות עם אתגרים אלו תקדם את טכנולוגיות הבינה המלאכותית, ובסופו של דבר תאפשר אבחון מוקדם של סרטן ריאתי וניהול מהיר.
