כלי למידה עמוק של בינה מלאכותית (AI) המעריך את הסיכון הממאיר של נודולי ריאה השיג שיעורי גילוי סרטן גבוהים תוך הפחתה משמעותית של התוצאות החיוביות השגויות. תוצאות המחקר, שהשתמשו בנתונים ממחקרי בדיקת סרטן ריאות גדולים ורב-אתרים, פורסמו היום רדיולוגיהכתב עת של החברה הרדיולוגית של צפון אמריקה (RSNA).
סרטן הריאות נותר נושא בריאותי עולמי משמעותי, וגורם למקרי המוות הקשורים לסרטן ברחבי העולם. הוכח כי סינון אנשים עם סיכון גבוה עם CT במינון נמוך במינון נמוך מפחית את התמותה בסרטן הריאות. עם זאת, ניסויי סקר מוקדמים דיווחו על שיעורים חיוביים שווא גבוהים, מה שהוביל לנהלי מעקב מיותרים, עלויות חרדת המטופלים ועלויות שירותי הבריאות.
גידולים עגולים או סגלגלים ריאתיים או סגלגליים בריאותיים-הם נפוצים, וזיהוי הממאיר הוא מאתגר בסינון סרטן הריאות.
למידה עמוקה מציעה פתרונות מבטיחים, אך אימות חזק הוא חיוני. AI מהווה גורמים שאולי אפילו לא נראה לנו בסריקת ה- CT כדי להעריך עוד יותר את הנודולה כמי שממאירה. "
נואה אנטוניסן, MD, חוקר מוביל ודוקטורט. מועמד במרכז הרפואי של אוניברסיטת רדובוד, ניימגן, הולנד
מרבית פרוטוקולי בדיקת סרטן הריאות הנוכחיים מסתמכים על גודל הנודול, סוג וצמיחה כדי להעריך את הסיכון לממאיר. הגילוי המוקדם של פאן-קנדי של מודל סרטן הריאות (Pancan), המעריך סיכון ממאיר נודולי באמצעות שילוב של מאפייני המטופל והנודולים, ממחיש כיצד כלים מבוססי הסתברות יכולים לצמצם את הערכת הסיכון. ספי סיכון מבוססי הסתברות כאלה משמשים יותר ויותר כדי להנחות פרוטוקולי ניהול. למידה עמוקה מציעה אלטרנטיבה מבטיחה בכך שהיא מאפשרת תחזיות מונעות נתונים לחלוטין, אך יש צורך בראיות נוספות לפני שניתן יהיה לאמץ אותה בפרקטיקה קלינית.
במחקר הרטרוספקטיבי, החוקרים אימנו את אלגוריתם הלמידה העמוקה שלהם כדי להעריך את הסיכון לממאירות עבור נודולי ריאות תוך שימוש בנתונים ממחקר סינון הריאות הלאומי שכלל 16,077 נודולים (1,249 ממאירים).
בדיקות חיצוניות נערכו באמצעות סריקות CT בסיסי ממחקר בדיקת סרטן הריאות הדני, ניסוי גילוי הריאות האיטלקי הרב -מרכזיים ומשפט נלסון ההולנדי -בלגי. הקבוצה המאוחדת כללה 4,146 משתתפים (גיל חציוני 58 שנים, 78% גברים, היסטוריה של עישון חציוני 38 שנות חבילה) עם 7,614 שפירים ו -180 גושים ממאירים.
החוקרים העריכו את ביצועי האלגוריתם עבור הקבוצה המאוחדת ושתי קבוצות משנה: גושים בלתי מוגדרים (5-15 מ"מ) וגושים ממאירים שהושגו בגודל לגושים שפירים.
ד"ר אנטוניסן אמר כי "בחרנו ב- Nodules בגודל 5–15 מ"מ, בגלל האתגרים האבחוניים שלהם והצורך התכוף במעקב לטווח הקצר." "סיווג סיכונים מדויק של גושים אלה עלול להפחית נהלים מיותרים."
לשם השוואה, ביצועי האלגוריתם הוערכו כנגד מודל פנקן ברמות Nodule והמשתתפים באמצעות השטח תחת העקומה האופיינית למקלט (AUC), בין פרמטרים אחרים. AUC מסכם עד כמה מודל יכול לייצר ציונים יחסית כדי להבחין בין מקרים חיוביים או שליליים בכל ספי הסיווג.
בקבוצה המאוחדת, מודל הלמידה העמוקה השיג AUCs של 0.98, 0.96 ו- 0.94 לסוגי סרטן שאובחנו תוך שנה, שנתיים, ולאורך כל ההקרנה, בהתאמה, בהשוואה לפנקן ב- 0.98, 0.94 ו- 0.93.
עבור גושים בלתי מוגדרים (129 ממאירים, 2,086 שפירים), מודל הלמידה העמוקה ביצע באופן משמעותי את פנקן בכל מסגרות הזמן עם AUCs של 0.95, 0.94, 0.90 לעומת 0.91, 0.88, 0.86. עבור גודל הסרטן המותאמים לגושים שפירים, (180 ממאירים, 360 שפירים), ה- AUC של מודל הלמידה העמוק היה 0.79 לעומת פנקן ב 0.60.
ברגישות של 100% לסרטן שאובחן תוך שנה, מודל הלמידה העמוקה סיווג 68.1% מהמקרים שפירים כסיכון נמוך לעומת 47.4% באמצעות מודל Pancan, המייצג ירידה יחסית של 39.4% בחיוביות שווא.
ד"ר אנטוניסן אמר כי "אלגוריתמי למידה עמוקים יכולים לסייע לרדיולוגים להחליט אם יש צורך בהדמיית מעקב, אך נדרש אימות פרוספקטיבי כדי לקבוע את תחולתם הקלינית של כלים אלה ולהנחות את יישומם בפועל," אמר ד"ר אנטוניסן. "הפחתת תוצאות חיוביות כוזבות תהפוך את סינון סרטן הריאות לביצוע יותר."
