מחקר חדש מראה כי AI יכול לאתר שלטים נסתרים בממוגרפיה שנים לפני שמתפתח סרטן השד, ומציע תקווה להקרנה מותאמת ולפעולה קודמת ומצילה חיים.
מחקר: אלגוריתם בינה מלאכותית לגילוי סרטן שד תת -קליני. קרדיט תמונה: כחול פלנט כדור הארץ / Shutterstock
במחקר שנערך לאחרונה בפורסם ב רשת JAMA פתוחההחוקרים העריכו אם כלי בינה מלאכותית מסחרית (AI), שפותח במקור לגילוי סרטן השד, יכול למנף את הסקר ממוגרפיה כדי להעריך את הסיכון להתפתחות עתידית של סרטן השד שנים לפני האבחנה הקלינית. הם השתמשו במחקר קוהורט הכולל כמעט 350,000 בדיקות בדיקות סקר של 116,495 נשים כדי לייצר ציוני גילוי סרטן מבוססי AI, שהוערכו כפרוקסי סיכון לסרטן השד שלאחר מכן ולא לאבחון ישיר.
ממצאי המחקר חשפו כי אלגוריתם ה- AI הקצה ציוני גילוי סרטן גבוהים יותר לשדיים אשר לאחר מכן יפתחו סרטן השד, אפילו 4-6 שנים לפני האבחנה הקלינית, בהשוואה לשדיים שלא פיתחו סרטן. זה מצביע על כך שכלי AI מסחריים עשויים לסייע בזיהוי נשים בסיכון גבוה יותר לפתח סרטן השד הרבה לפני האבחנה, תוך מתן מסלול לסינון מבוסס סיכונים מותאם אישית יותר ולהתערבות קודמת.
רֶקַע
סרטן השד הוא הסרטן המאובחן ביותר בקרב נשים, המהווה כמעט 25% מכלל הממאירות הנשית (2.3 מיליון מקרים חדשים, 2022) ולמעלה מ- 670,000 מקרי מוות בשנה. בדיקה מבוססת ממוגרפיה שגרתית מייצגת את קו ההגנה הראשון כנגד תחלואה ותמותה הקשורים לסרטן השד, ומשפר משמעותית את שיעורי ההישרדות של המטופלים על ידי גילוי מוקדם של ממאירות והטיפול המתוזמן שלהם לאחר מכן.
לרוע המזל, מתודולוגיות סינון ממוגרפיה קונבנציונאליות מועדות לדיוק ואמינות מתבלבלות, ומסתמכות מאוד על המומחיות הסובייקטיבית של סוקרים אנושיים (רדיולוגים). יתר על כן, טכניקות סינון מסורתיות אינן זיהוי זיהוי ממאירות של סרטן השד המתפתחים בין הקרנות, וכתוצאה מכך עיכובים בזיהוי לבין השמחות הקליניות והסוציו -אקונומיות הנלוות להן.
התקדמות אחרונה בכלי בינה מלאכותית מסחרית (AI) אפשרו לייצור ציוני ניאופלזמה ברמת השד והבדיקה ברמת הבדיקה, תוך שימוש בשונות דקות בממוגרפיה כדי לעזור לקלינאים להעריך את הסיכון לסרטן השד מוקדם יותר ובדיוק רב יותר.
בעוד שמחקרים קודמים שיערו כי AI יכול להשתמש בתכונות ממוגרפיה תת-קליניות כדי לחזות שכיחות עתידית של סרטן השד, מחקר גדול זה העריך מדעית כי השערה באמצעות קבוצת תוכנית סינון לאומית.
על המחקר
המחקר הנוכחי העריך את הדיוק החזוי, הביצועים הכוללים והאמינות של כלי AI מסחרי בהערכת סיכון עתידי לסרטן השד מנתוני ממוגרפיה שמקורם בחולה. המחקר משתמש בתכנון קוהורט רטרוספקטיבי ודבק בחיזוק הדיווח על מחקרי תצפית בהנחיות האפידמיולוגיה (STROBE).
נתוני המחקר התקבלו ממרשם הסרטן בתוכנית השדיים של נורווגיה נורבגיה, הכוללת סינון ממוגרפיה דיגיטלית ביו-שנתית (Mediolateral Olboxe (MLO) ו- Craniocaudal (CC) תחזיות) של יותר מ- 680,000 נשים נורווגיות (בגילאי 50-69 שנים) בין 2004 ל -2018 נדרשו לשלושה נורווגיה, כל אחד מהם נדרש, כל אחד מהם, נדרשו, בין שלושת, בין שלוש, בין שלושת, בין שלושת, בין שלושת, בנוגע, בנוגע, בנוגע, בנוגע, בנוגע, בנוגע, בנוגע, בנוגע, בנוגע, בינו, בינו, בינונית, (קריאה כפולה של רדיולוג) וגישות סינון מבוססות AI.
כלי ה- AI (Insight MMG, גרסה 1.1.7.2) ששימש במחקר זה התקבל בשיתוף עם Lunit Inc., אולם לאחרון לא הייתה גישה לנתוני מחקר או השפעה על המתודולוגיות או התוצאות. האלגוריתם מסך ממוגרפיה ומספק ציון גילוי סרטן רציף ספציפי למשתתף (טווח = 0-100) עם ערכים גבוהים יותר המצביעים על סיכון גבוה יותר לסרטן השד. המחקר השווה בין ציונים אלה – כולל הבדלים מוחלטים בין שני השדיים – ממוגרים רצופים והעריכו כיצד ציונים אלה עקבו אחר אבחנות סרטן השד הבאים, בנוסף להשוואה עם הערכות רדיולוג מסורתיות.
ממצאי לימוד
לאחר אי הכללה של משתתפים עם נתונים לא שלמים או ממוגרפיה לא מספיקים ומעקב, נתונים של 116,495 משתתפים היו נתונים לניתוחים הבאים. נשים שפיתחו סרטן שד היו בעלות ציוני AI ממוצעים משמעותיים באופן משמעותי והבדלים מוחלטים גדולים יותר בציונים בין השדיים שנים לפני האבחנה בהשוואה לנשים שנשארו ללא סרטן. לדוגמה, בקרב נשים שפיתחו סרטן המנוהל על ידי הקרנה, ציוני ה- AI הממוצע לשד שנפגע היו 19.2, 30.8 ו- 82.7 בסבב המחקר הראשון, השני והשלישי, בהתאמה. לעומת זאת, משתתפים בריאים דיווחו על ציוני AI ממוצעים של 9.5, 8.2 ו- 5.0 על פני אותם סבבי מחקר.
לעומת זאת, נשים ללא אבחון סרטן השד במהלך תקופת המחקר הייתה ממוצעת ציוני AI של 7.1, 6.7 ו- 6.4 בהתאמה. ניתוחי רגישות אישרו ממצאים אלה, והדגישו את החוסן של תחזיות AI. חשוב לציין כי מחברי המחקר מציינים כי ממצאים אלה מראים כי כלי AI עשויים לאפשר זיהוי של נשים בסיכון מוגבר 4-6 שנים לפני אבחון סרטן השד, מה שמאפשר התחשבות בסינון משלים או מעקב תכוף יותר. המחקר השווה גם את הביצועים המפלים של כלי ה- AI (AUCS) למחשבי סיכון קליניים מבוססים, כמו מודלים של טירר-קוזיק ו- BCRAT, ומצא כי ציוני AI סיפקו אפליה דומה או טוב יותר לאומדן סיכון לטווח קצר.
עם זאת, חשוב לציין כי אלגוריתם ה- AI לא "אבחן" סרטן שנים מראש, אלא סימן סיכון מוגבר על סמך תכונות תמונה. המחקר אינו מספק עדויות לכך שזיהוי סיכון מוקדם מבוסס AI מוביל ישירות לשיפור הישרדות המטופלים או להפחתת העלויות הכלכליות; טענות כאלה נותרות היפותטיות ודורשות מחקר נוסף.
מסקנות
מחקר גדול מבוסס אוכלוסייה מדגים כי כלי AI מסחרי לגילוי סרטן השד יכול לזהות תכונות ממוגרפיות עדינות שנים לפני אבחון סרטן השד, לתמוך בתפקידו הפוטנציאלי באסטרטגיות סינון מבוססות סיכונים. עם זאת, יש להכיר במספר מגבלות: העיצוב הרטרוספקטיבי, הערכה של אלגוריתם AI מסחרי יחיד והאוכלוסייה ההומוגנית (בעיקר לבנה). המחברים מדגישים את הצורך באימות נוסף באוכלוסיות מגוונות יותר ובמחקרים פרוספקטיביים כדי לקבוע את השילוב הקליני האופטימלי של הערכת סיכונים מבוססת AI. מחקר עתידי אמור לכוון לאמת תוצאות אלה על פני אוכלוסיות מגוונות ולשלב ביעילות הערכות סיכון AI בפרקטיקה קלינית סטנדרטית.
