Das MIT und das Mass General Hospital haben ein KI-System entwickelt, das Lungenkrebs erkennen kann

Lungenkrebs ist eine verheerende Krankheit. Laut Weltgesundheitsorganisation, ist Lungenkrebs mit fast 2.21 Millionen Fällen allein im Jahr 2020 eine der häufigsten Todesursachen weltweit. Wichtig ist, dass die Krankheit fortschreitend sein kann; Das heißt, für viele kann es mit nur leichten Symptomen beginnen, die keinen Alarm auslösen, bevor es sich schnell zu einer lebensbedrohlichen Diagnose entwickelt, die zum Tod führt. Glücklicherweise ist das Angebot an Therapeutika, die darauf ausgerichtet sind, Patienten mit Lungenkrebs zu helfen, in den letzten zwei Jahrzehnten enorm gewachsen. Die Früherkennung des Krebses ist jedoch immer noch eines der einzigen Mittel, um die Sterblichkeitsraten signifikant zu senken.

Eine bemerkenswerte Errungenschaft in diesem Bereich ist die jüngste Ankündigung des Massachusetts Institute of Technology (MIT) und des Mass General Hospital (MGH) bezüglich der Entwicklung eines Deep-Learning-Modells namens „Sybil“, das zur Vorhersage des Lungenkrebsrisikos anhand von Daten verwendet werden kann von nur einem einzigen CT-Scan. Die Studie wurde letzte Woche offiziell im Journal of Clinical Oncology veröffentlicht und diskutiert, wie „Tools, die eine personalisierte zukünftige Krebsrisikobewertung ermöglichen, Ansätze auf diejenigen konzentrieren könnten, die am wahrscheinlichsten davon profitieren“. Daher postulierten die Studienleiter, dass „ein Deep-Learning-Modell, das die gesamten volumetrischen LDCT-Daten [Low Dose Contrast CT] bewertet, erstellt werden könnte, um das individuelle Risiko vorherzusagen, ohne dass zusätzliche demografische oder klinische Daten erforderlich sind“.

Das Modell beginnt mit einem Grundsatz: „LDCT-Bilder enthalten Informationen, die das zukünftige Lungenkrebsrisiko über derzeit identifizierbare Merkmale wie Lungenknoten hinaus vorhersagen.“ Daher versuchten die Entwickler, „einen Deep-Learning-Algorithmus zu entwickeln und zu validieren, der das zukünftige Lungenkrebsrisiko bis zu 6 Jahren anhand eines einzigen LDCT-Scans vorhersagt und seine potenziellen klinischen Auswirkungen bewertet“.

Insgesamt war die Studie bisher bemerkenswert erfolgreich: Sybil ist in der Lage, das zukünftige Lungenkrebsrisiko eines Patienten mit einer gewissen Genauigkeit vorherzusagen, indem es die Daten von nur einem LDCT verwendet.

Ohne Zweifel sind klinische Anwendungen und Implikationen für diese Technologie noch unausgereift. Sogar die Studienleiter sind sich einig, dass erhebliche Arbeit geleistet werden muss, um genau herauszufinden, wie diese Technologie in der tatsächlichen klinischen Praxis angewendet werden kann – insbesondere im Hinblick darauf, ein gewisses Maß an Vertrauen in die Technologie zu entwickeln, auf das sich Ärzte und Patienten verlassen können die Ausgänge des Systems.

Die Prämisse des Algorithmus ist jedoch immer noch unglaublich leistungsfähig und bringt einen potenziellen Wendepunkt im Bereich der prädiktiven Diagnostik mit sich.

Noch nie waren diagnostische Maßnahmen so leistungsfähig. Die Tatsache, dass ein Werkzeug nur einen CT-Scan verwenden kann, um eine langfristige Krankheitsfunktion vorherzusagen, könnte möglicherweise viele Probleme lösen – das wichtigste davon ist die Ermöglichung einer frühen Behandlung und eine verringerte Sterblichkeit.

Experten mögen sich zunächst errötend gegen Systeme wie diese wehren und anmerken, dass kein KI-System möglicherweise das Urteilsvermögen und die klinischen Fähigkeiten gut genug erreichen kann, um einen menschlichen Arzt zu ersetzen. Der Zweck solcher Systeme besteht jedoch nicht unbedingt darin, das Fachwissen von Ärzten zu ersetzen, sondern möglicherweise die Arbeitsabläufe von Ärzten zu verbessern.

Ein System wie Sybil könnte sehr einfach als Empfehlungstool verwendet werden, das potenziell relevante CTs einem Arzt mitteilt, der dann nach seinem eigenen klinischen Urteil Sybils Empfehlung entweder zustimmen oder nicht zustimmen könnte. Dies würde wahrscheinlich nicht nur den klinischen Durchsatz verbessern, sondern könnte auch als sekundärer „Kontroll“-Prozess dienen und möglicherweise die diagnostische Genauigkeit verbessern.

Zweifellos gibt es in diesem Bereich noch viel zu tun. Wissenschaftler, Entwickler und Innovatoren haben einen langen Weg vor sich, nicht nur um den eigentlichen Algorithmus und das System selbst zu perfektionieren, sondern auch um die hypernuancierte Arena der Einführung dieser Technologie in tatsächliche klinische Anwendungen zu navigieren. Dennoch sind die Technologie, die Absicht und das Potenzial, das sie in Bezug auf die Verbesserung der Patientenversorgung birgt, in der Tat vielversprechend für die kommende Generation von Diagnostika, wenn sie auf sichere, ethische und wirksame Weise entwickelt werden.