Îmbunătățirea îngrijirii cancerului pulmonar prin învățare automată bazată pe date multiple
Cancerul pulmonar rămâne una dintre malignitățile cu cea mai mare incidență și mortalitate la nivel mondial.
Practicile clinice s-au confruntat de mult timp cu dileme fundamentale, inclusiv sensibilitate insuficientă în screeningul timpuriu, lipsa regimurilor de tratament personalizate și acuratețea limitată în evaluarea prognosticului, ceea ce restricționează grav îmbunătățirea ratelor de supraviețuire ale pacienților. Diagnosticarea și tratamentul tradițional al cancerului pulmonar se bazează, în mare măsură, pe judecăți empirice, care nu pot aborda heterogenitatea ridicată a tumorilor și evoluția complexă a bolii. Odată cu acumularea continuă de resurse medicale, cum ar fi imagistica medicală, detecția omică, biopsia lichidă, patologia digitală și dosarele electronice de sănătate, managementul cancerului pulmonar a intrat într-o nouă eră, driven de date provenite din multiple surse.
Învățarea automată, cu abilitățile sale puternice în mineritul de date și recunoașterea modelelor, poate extrage modele latente din datele medicale complexe, heterogene și multidimensionale. Aceasta transformă caracteristicile morfologice, caracteristicile moleculare, structurile patologice, biomarkerii din sânge și informațiile clinice în dovezi cantitative pentru diagnostic, luarea deciziilor terapeutice și evaluarea prognosticului, devenind astfel o tehnologie cheie pentru a depăși blocajele din îngrijirea cancerului pulmonar.
Pe acest fundal, o echipă comună de la Universitatea Shanghai Jiao Tong, Spitalul Qilu al Universității Shandong și alte instituții a analizat sistematic caracteristicile datelor provenite din surse multiple privind cancerul pulmonar și evoluția tehnologiilor de învățare automată. Bazându-se pe cadrul datelor-model-aplicație, echipa a detaliat aplicațiile inovatoare ale învățării automate bazate pe date provenite din mai multe surse în screeningul timpuriu, diagnostic, optimizarea tratamentului și evaluarea prognosticului cancerului pulmonar. Recenzia evidențiază logica înnăscută prin care caracteristicile datelor determină selecția modelului, iar performanța acestuia susține valoarea clinică, oferind suport teoretic sistematic și referințe tehnice pentru integrarea profundă a inteligenței artificiale în deciziile clinice legate de cancerul pulmonar, precum și pentru implementarea medicinei de precizie.
Articolul de revizuire a fost publicat de echipele de cercetare comune de la Institutul de Sensing Medical Multimodal de la Școala de Automatizare și Sensing Inteligent, Universitatea Shanghai Jiao Tong, Centrul de Cercetare pentru Internetul Lucrurilor Medicale de la Spitalul Qilu al Universității Shandong și Centrul de Cercetare a Medicinii de Laborator Shaoxing Keqiao, Universitatea Medicală Chongqing, în Volumul 2 al revistei Intelligent Opto-Electronics pe 29 iunie 2026, intitulat „Învățarea automată bazată pe date provenite din surse multiple pentru cancerul pulmonar: diagnostic, tratament și prognostic”. Acest articol de revizuire rezumă sistematic caracteristicile dimensionale, valoarea clinică și mecanismele complementare a cinci surse de date esențiale (imagistică, multi-omică, biopsie lichidă, patologie și date clinice). De asemenea, compară caracteristicile tehnice, scenariile aplicabile și avantajele/dezavantajele învățării automate tradiționale, învățării profunde, fuzionării multimodale, modelelor fundamentale și modelelor interpretabile, analizând progresele recente în învățarea automată bazată pe date provenite din surse multiple în diagnosticarea, tratamentul și prognosticarea cancerului pulmonar.
La nivelul datelor, revizuirea detaliază dimensiunile caracteristicilor și valoarea clinică a datelor multimodale, cum ar fi imagistica, multi-omică, patologia, biopsia lichidă și datele clinice, evidențiind complementaritatea și efectele sinergice în îngrijirea cancerului pulmonar.
La nivelul modelului, se compară caracteristicile tehnice și scenariile aplicabile ale paradigmelor de învățare automată de vârf și se clarifică strategiile optime de selecție pentru diferite tipuri de date și sarcini clinice.
La nivelul aplicației, se discută în profunzime progresele și provocările învățării automate bazate pe date provenite din surse multiple în îmbunătățirea acurateței diagnosticării timpurii, optimizarea tratamentului personalizat și realizarea stratificării riscurilor prognostice dinamice, oferind un suport puternic prin inteligență artificială pentru deciziile clinice precise.
Revizuirea propune în mod inovator un lanț logic complet de caracteristici ale datelor-selecție a modelului-valoare clinică, definește strategiile optime de selecție a modelului în diferite scenarii și oferă soluții sistematice la provocările cheie, inclusiv standardizarea insuficientă a datelor, blocajele în fuzionarea multimodală, lipsa interpretabilității algoritmilor și întârzierea traducerii clinice, indicând un parcurs clar pentru acest domeniu în tranziția de la cercetarea de laborator la aplicațiile clinice.
Învățarea automată bazată pe date din multiple surse transformă profund îngrijirea cancerului pulmonar, trecând de la un model bazat pe experiență la unul bazat pe date, și de la intervenții extinse la stratificarea precisă. Eforturile viitoare ar trebui să se concentreze pe standardizarea datelor, fuzionarea multimodală adaptivă, îmbunătățirea interpretabilității și validarea clinică prospectivă pentru a accelera traducerea clinică. Obiectivul final este construirea unui sistem de diagnostic și tratament închis, cu screening timpuriu precis, terapie personalizată și prognostic dinamic, îmbunătățind astfel semnificativ rata de supraviețuire și calitatea vieții pacienților cu cancer pulmonar.
Cercetarea a fost realizată de echipa condusă de Jinhong Guo de la Școala de Automatizare și Sensing Inteligent, Universitatea Shanghai Jiao Tong, Spitalul Qilu al Universității Shandong și Universitatea Medicală Chongqing. Echipa se concentrează pe cercetarea interdisciplinară în domeniul sensingului medical multimodal, inteligenței artificiale medicale și traducerii medical-industriale, cu un accent special pe traducerea clinică a învățării automate în biomedicină. Echipa a publicat peste 200 de lucrări în reviste precum Nature Electronics, Advanced Materials, Angewandte Chemie și seriile IEEE Transactions. A redactat 3 monografii, a solicitat peste 100 de brevete naționale de invenție (peste 70 acordate) și a obținut mai mult de 30 de certificate de înregistrare a dispozitivelor medicale. Echipa a câștigat două Premii I de Progres în Știință și Tehnologie de la Societatea Chineză de Inginerie Optică și a condus peste 10 proiecte naționale, provinciale și industriale. Angajată în satisfacerea cerințelor clinice, echipa promovează aplicarea fuzionării datelor din multiple surse, învățării profunde și AI interpretabile în screeningul tumorilor, tratamentele precise și evaluarea prognosticului, construind o platformă de inovație interdisciplinară pentru a stimula dezvoltarea de înaltă calitate a sănătății de precizie și inteligente.
