Un model AI cu o abordare duală îmbunătățește precizia diagnosticului timpuriu pentru cancerul pulmonar
Cancerul pulmonar rămâne principala cauză a deceselor legate de cancer la nivel mondial, reprezentând aproape una din cinci victime ale acestei boli – aproximativ 1,8 milioane de vieți pierdute în fiecare an.
Una dintre principalele cauze este diagnosticul tardiv: în fazele sale incipiente, boala apare sub formă de noduli extrem de mici, care sunt greu de distins de țesutul sănătos, chiar și pentru radiologi experimentați.
Acest lucru înseamnă că medicii trebuie să găsească un echilibru constant între ceea ce este vizibil și ceea ce ar putea fi trecut cu vederea. Chiar și cele mai subtile diferențe într-un scan pot determina dacă cancerul este detectat devreme sau ignorat complet.
Cercetătorii explorează acum modul în care inteligența artificială (AI) ar putea ajuta la rezolvarea acestei provocări, oferind medicilor o modalitate mai fiabilă de a analiza imagini medicale complexe.
Pentru a îmbunătăți detectarea cancerului pulmonar, cercetătorii au dezvoltat un sistem care învață să analizeze scanările CT într-un mod similar cu modul în care lucrează medicii – dar fără a fi nevoie să comute între perspective.
O parte a modelului se concentrează pe detalii mici, precum petele sau texturile fine din plămâni, în timp ce cealaltă parte analizează imaginea de ansamblu și înțelege contextul mai larg.
Această abordare duală abordează o limitare esențială a sistemelor existente, care adesea captează doar o parte din informație – fie detalii fine, fie structura generală, dar nu ambele în același timp.
În practică, un radiolog trebuie să comute constant între aceste două perspective – mărind zonele suspecte și apoi analizând cum se raportează acestea la întregul plămân. Sistemul de AI, însă, îndeplinește ambele sarcini simultan.
„Poți să te gândești la asta ca la a avea o lupă și o vedere de ansamblu a scanului în același timp”, explică Nasir.
Modelul a fost antrenat folosind scanări CT de la atât persoane sănătoase, cât și de la pacienți cu cancer, învățând să recunoască modelele care disting între cazurile normale, benigne și maligne.
Rezultatele arată o îmbunătățire clară a performanței. Sistemul a obținut o precizie de peste 96%, depășind abordările existente și menținând o performanță stabilă în diferite teste. „Acest nivel de avansare este important, mai ales în aplicațiile medicale unde chiar și cele mai mici diferențe pot avea consecințe serioase”, subliniază un student la doctorat de la KTU.
În practica clinică, acest sistem ar putea schimba modul în care este diagnosticat cancerul pulmonar.
„Este vorba despre sprijinirea clinicianilor. Sistemul oferă o a doua opinie și ajută la asigurarea că detaliile importante nu sunt trecute cu vederea și reduce timpul necesar per pacient, în special în medii cu o încărcătură mare de muncă”, subliniază cercetătorul de la KTU.
Impactul asupra pacienților este și mai semnificativ. Cancerul pulmonar este adesea diagnosticat prea târziu, când opțiunile de tratament sunt limitate. Detectarea timpurie poate crește dramatic ratele de supraviețuire. „Diagnosticul precoce înseamnă că tratamentul poate începe mai devreme, iar rezultatele sunt, în general, mult mai bune”, afirmă Nasir.
Sistemul este conceput pentru a aborda ambele aspecte ale problemei – reducerea cazurilor pierdute, dar și scăderea numărului de alarme false care pot duce la stres și proceduri inutile.
Cu toate acestea, cercetătorii subliniază că modelul actual a fost antrenat pe un set de date relativ limitat și trebuie să fie testat pe grupuri de pacienți mai mari și mai diverse. „În condiții reale, există multe variabile – diferite scanere, protocoale de imagistică și populații de pacienți, așa că trebuie să ne asigurăm că sistemul funcționează fiabil în toate acestea”, explică Nasir.
Pașii viitori includ validarea clinică, testarea în medii spitalicești și integrarea în sistemele medicale existente.
Privind înainte, aceeași abordare ar putea fi aplicată și altor tipuri de cancer. „Orice sarcină de imagistică medicală care necesită atât o analiză detaliată, cât și o înțelegere a imaginii de ansamblu ar putea beneficia de acest tip de model”, spune Nasir, menționând domenii precum tumorile cerebrale, cancerul mamar și bolile oculare.
