Нейросеть может точно предсказать риск рака легких

«Россия» и «В мире»

Согласно исследованию, опубликованному в журнале Radiology, программа искусственного интеллекта (ИИ) точно прогнозирует риск того, что узелки в легких, обнаруженные при скрининговом КТ, станут злокачественными.

По данным Всемирной организации здравоохранения, рак легких является ведущей причиной смерти от рака во всем мире: по оценкам Всемирной организации здравоохранения, в 2020 году умерло около 1,8 миллиона человек. КТ грудной клетки с низкой дозой используется для скрининга людей с высоким риском рака легких, таких как давние курильщики. Было показано, что он значительно снижает смертность от рака легких, в первую очередь за счет помощи в обнаружении рака на ранней стадии, когда его легче успешно лечить.

Хотя рак легких обычно проявляется в виде легочных узелков на КТ-изображениях, большинство узелков являются доброкачественными и не требуют дальнейшего клинического обследования. Поэтому точное различие между доброкачественными и злокачественными узелками имеет решающее значение для раннего выявления рака.

Нейросеть может точно предсказать риск рака легких

Для нового исследования исследователи разработали алгоритм оценки узелков в легких с использованием глубокого обучения — приложения искусственного интеллекта, способного находить определенные закономерности в данных изображений. Исследователи обучили алгоритм на КТ-изображениях более 16000 узелков, в том числе 1249 злокачественных новообразований, из Национального исследования легких. Они проверили алгоритм на трех больших наборах данных визуализации узелков из датского исследования рака легких.

Алгоритм глубокого обучения дал отличные результаты, превзойдя установленную общеканадскую модель раннего обнаружения рака легких для оценки риска злокачественного новообразования в легких. Его выполнили 11 врачей, в том числе четыре торакальных рентгенолога, пять врачей-рентгенологов и два пульмонолога.

Исследователи планируют продолжить совершенствование алгоритма, включив в него такие клинические параметры, как возраст, пол и история курения.

Они также работают над алгоритмом глубокого обучения, который принимает в качестве входных данных несколько обследований компьютерной томографии. Текущий алгоритм хорошо подходит для анализа узелков на начальном или исходном скрининге, но для узелков, обнаруженных при последующих проверках, важны рост и внешний вид по сравнению с предыдущим КТ.

ОмскПресс