Radioterapia pozostaje jednym z filarów leczenia raka płuc. Mimo coraz większej precyzji technik napromieniania, promieniowanie – oprócz guza – oddziałuje również na zdrową tkankę płucną. Skutkiem mogą być powikłania takie jak zapalenie płuc, przewlekły kaszel czy duszność, które istotnie obniżają jakość życia pacjentów.
Nowe badanie opublikowane w czasopiśmie „Reports of Practical Oncology and Radiotherapy” pokazuje jednak, że narzędzie oparte na sztucznej inteligencji może znacząco poprawić przewidywanie ryzyka takich powikłań jeszcze przed rozpoczęciem leczenia.
Z tego artykułu dowiesz się…
- Dlaczego radioterapia raka płuc może powodować powikłania i które objawy występują najczęściej po leczeniu.
- Jak sztuczna inteligencja analizuje płaty płuc i dlaczego dokładna ocena dawki promieniowania w poszczególnych częściach płuc ma znaczenie kliniczne.
- W jaki sposób model uczenia maszynowego skraca analizę z kilku godzin do mniej niż sekundy, zachowując precyzję porównywalną z pracą klinicysty.
- Jak wcześniejsza identyfikacja pacjentów wysokiego ryzyka może pomóc w modyfikacji planu leczenia i ograniczeniu skutków ubocznych.
Dlaczego radioterapia niesie ryzyko powikłań?
Radioterapia jest stosowana zarówno w leczeniu radykalnym, jak i paliatywnym raka płuc. Jednak nawet najbardziej zaawansowane techniki planowania leczenia nie eliminują całkowicie ekspozycji zdrowej tkanki. Jak wyjaśnia dr Jewgienij Winogradski, fizyk medyczny:
Niezależnie od naszych starań, radioterapia w obrębie nowotworu, część promieniowania dociera do otaczających narządów, a pacjenci mogą odczuwać skutki uboczne, takie jak zapalenie płuc, kaszel i duszność.
Problem polega na tym, że dotychczas płuca traktowano w planowaniu leczenia jako jeden narząd. Tymczasem nie wszystkie ich części reagują w ten sam sposób na promieniowanie.
Płaty płuc mają znaczenie
Nowe badanie koncentruje się na naturalnych podjednostkach płuc – płatach. Każde płuco składa się z kilku płatów, które różnią się budową, objętością i funkcją. Zespół badawczy odkrył, że dawka promieniowania dostarczona do konkretnych płatów ma istotne znaczenie kliniczne. Szczególnie narażone na rozwój toksyczności są dolne płaty płuc. Uszkodzenie tych obszarów zwiększa ryzyko wystąpienia powikłań po radioterapii.
W praktyce oznacza to, że analiza „globalnej” dawki dla całych płuc może być niewystarczająca. Konieczna jest bardziej precyzyjna, lokalna ocena ryzyka, co wpisuje się w szerszy rozwój AI w medycynie oraz personalizacji terapii onkologicznych.
Problem: analiza płatów jest czasochłonna
Aby określić, ile promieniowania otrzymał każdy płat, lekarze muszą ręcznie obrysować ich granice na tomografii komputerowej. Taka procedura trwa od trzech do czterech godzin na jednego pacjenta. W efekcie analiza na poziomie płata jest często pomijana w rutynowej praktyce klinicznej, mimo że mogłaby dostarczyć cennych informacji prognostycznych. To właśnie tę barierę postanowił przełamać zespół dr. Winogradskiego.
Sztuczna inteligencja skraca analizę z godzin do sekund
Zespół studentów, klinicystów i informatyków opracował model uczenia maszynowego, który automatycznie identyfikuje i obrysowuje wszystkie pięć płatów płuc na obrazie tomografii komputerowej. Model został wytrenowany na podstawie skanów 40 pacjentów z rakiem płuc z dwóch placówek, gdzie specjaliści wcześniej ręcznie oznaczyli granice płatów. Następnie narzędzie przetestowano na 10 nowych skanach, których system wcześniej nie analizował. Wyniki były bardzo obiecujące. Jak podkreśla dr Winogradskiy:
Model uczenia maszynowego potrafi zidentyfikować płaty płuc równie dokładnie, jak klinicysta. Ale zamiast godzin, zajmuje to mniej niż sekundę.
To oznacza radykalne skrócenie czasu analizy oraz możliwość włączenia oceny na poziomie płata do rutynowego planowania leczenia.
Dlaczego przewidywanie skutków ubocznych ma kluczowe znaczenie?
Radioterapia może prowadzić do popromiennego zapalenia płuc (radiation pneumonitis) oraz przewlekłych zmian włóknistych. Powikłania te nie tylko pogarszają jakość życia, ale w niektórych przypadkach mogą wymagać hospitalizacji lub przerwania leczenia. Dzięki narzędziu AI lekarze mogą:
- wcześniej zidentyfikować pacjentów z grupy podwyższonego ryzyka,
- zmodyfikować plan napromieniania,
- zastosować bardziej oszczędzające techniki,
- wdrożyć wcześniejszą profilaktykę i monitoring.
Dr Winogradskiy podkreśla:
Znajomość przyszłości ma ogromną wartość. Jeśli zidentyfikujemy pacjentów z grupy podwyższonego ryzyka , będziemy mogli interweniować wcześniej i potencjalnie zapobiec poważnym powikłaniom.
Co oznacza to dla przyszłości onkologii?
Rozwiązanie to wpisuje się w szerszy trend personalizacji leczenia w onkologii. Sztuczna inteligencja nie zastępuje lekarza, ale wspiera go w podejmowaniu bardziej precyzyjnych decyzji terapeutycznych. Automatyczna segmentacja struktur anatomicznych na obrazach medycznych może w przyszłości:
- usprawnić planowanie radioterapii,
- poprawić bezpieczeństwo leczenia,
- zmniejszyć liczbę powikłań,
- zoptymalizować wykorzystanie zasobów kadrowych.
Co istotne, narzędzie nie wymaga dodatkowych badań – wykorzystuje standardowe obrazy tomografii komputerowej, które i tak są wykonywane przed radioterapią.
Ograniczenia i dalsze kroki
Badanie obejmowało stosunkowo niewielką liczbę przypadków w fazie walidacji (10 nowych skanów), dlatego konieczne będą dalsze, większe analizy. Wdrożenie narzędzia do codziennej praktyki klinicznej będzie wymagało również integracji z systemami planowania leczenia oraz oceny w różnych populacjach pacjentów. Jednak wstępne wyniki pokazują, że potencjał kliniczny jest znaczący.
Główne wnioski
- Nowe narzędzie AI automatycznie identyfikuje pięć płatów płuc na tomografii komputerowej, skracając czas analizy z 3–4 godzin do mniej niż sekundy.
- Badanie opublikowane w „Reports of Practical Oncology and Radiotherapy” wykazało, że model trenowany na 40 skanach i testowany na 10 nowych przypadkach osiąga dokładność porównywalną z klinicystą.
- Dawka promieniowania w dolnych płatach płuc wiąże się z wyższym ryzykiem toksyczności, co podkreśla znaczenie analizy na poziomie płata zamiast traktowania płuc jako jednego narządu.
- Wczesna identyfikacja pacjentów z grupy podwyższonego ryzyka może umożliwić modyfikację planu radioterapii i potencjalne ograniczenie poważnych powikłań, takich jak popromienne zapalenie płuc.
Źródło:
- Thomas Jefferson University
- https://journals.viamedica.pl/rpor/article/view/110094
