Precyzja w planowaniu radioterapii jest kluczowa dla skutecznego leczenia nowotworów, szczególnie w przypadku raka płuc. Segmentacja guza, czyli dokładne określenie jego rozmiaru i lokalizacji, wciąż często wykonywana jest ręcznie, co generuje błędy i różnice między lekarzami. Zespół naukowców z Northwestern Medicine opracował narzędzie oparte na sztucznej inteligencji – iSeg – które rewolucjonizuje ten proces, zwiększając dokładność i potencjalnie ratując życie.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja może wspierać lekarzy w planowaniu radioterapii raka płuc.
- Na czym polega działanie narzędzia iSeg i czym różni się od wcześniejszych rozwiązań.
- Jakie konkretne korzyści kliniczne niesie automatyczna segmentacja guza.
- Jakie są plany dalszego rozwoju i zastosowań technologii iSeg w onkologii.
iSeg – przełom w mapowaniu guzów dzięki AI
iSeg to pierwsze w pełni trójwymiarowe narzędzie głębokiego uczenia, które uwzględnia ruchomość guza płuca w rytmie oddechu pacjenta – aspekt niezwykle istotny przy planowaniu radioterapii. Co ważne, narzędzie to nie tylko precyzyjnie odtwarza kontury guza na podstawie obrazów tomografii komputerowej, ale także wskazuje obszary, które mogły zostać pominięte przez lekarzy.
Jesteśmy o krok bliżej leczenia raka, które będzie jeszcze bardziej precyzyjne, niż ktokolwiek z nas wyobrażał sobie zaledwie dekadę temu – powiedział dr Mohamed Abazeed, przewodniczący i profesor radioterapii onkologicznej w Northwestern University Feinberg School of Medicine.
Jak działa i jak testowano iSeg?
Zespół naukowców szkolił iSeg na danych z tomografii komputerowej i ręcznie narysowanych zarysów guzów od setek pacjentów z dziewięciu placówek medycznych, w tym z systemów Northwestern Medicine i Cleveland Clinic. W przeciwieństwie do wcześniejszych projektów, opartych na ograniczonych danych z pojedynczych ośrodków, nowe badanie objęło znacznie szerszą grupę kliniczną, co poprawiło wiarygodność wyników.
Po zakończeniu etapu treningu AI przeszła testy na danych, których wcześniej nie widziała. Jej wyniki porównano z oznaczeniami lekarzy, wykazując dużą zgodność. Co więcej, iSeg wykrywał również dodatkowe obszary ryzyka, które były powiązane z gorszym rokowaniem w przypadku ich pominięcia.
Dokładne ukierunkowanie leczenia na guz jest podstawą bezpiecznej i skutecznej radioterapii, gdzie nawet niewielkie błędy w ukierunkowaniu mogą mieć wpływ na kontrolę guza lub powodować niepotrzebną toksyczność – zaznaczył Abazeed.
Standaryzacja, automatyzacja i lepsze wyniki leczenia
Dzięki automatyzacji segmentacji guzów i standaryzacji wyników, iSeg może zredukować opóźnienia w leczeniu, zwiększyć spójność planowania radioterapii między ośrodkami, a także zidentyfikować newralgiczne punkty, które mogą umknąć uwadze lekarzy.
Dzięki automatyzacji i standaryzacji konturowania guza nasze narzędzie AI może pomóc w skróceniu opóźnień, zapewnieniu uczciwości w szpitalach i potencjalnie zidentyfikowaniu obszarów, które lekarze mogliby pominąć, co ostatecznie poprawi opiekę nad pacjentem i wyniki kliniczne – powiedział Sagnik Sarkar, pierwszy autor badania, starszy technolog ds. badań na Northwestern.
Plany na przyszłość: nowe typy nowotworów i inne metody obrazowania
Zespół badawczy już testuje iSeg w czasie rzeczywistym w warunkach klinicznych. Pracuje także nad rozszerzeniem technologii na inne typy nowotworów, m.in. wątroby, mózgu i prostaty. Trwają prace nad integracją narzędzia z innymi modalnościami obrazowania, takimi jak rezonans magnetyczny (MRI) i pozytonowa tomografia emisyjna (PET).
Wyobrażamy to sobie jako podstawowe narzędzie, które może ujednolicić i udoskonalić metody leczenia nowotworów w radioterapii onkologicznej, zwłaszcza w sytuacjach, w których dostęp do specjalistycznej wiedzy jest ograniczony – wyjaśniał Troy Teo, współautor badania i wykładowca radioterapii onkologicznej na Northwestern.
Jak również dodał:
Ta technologia może pomóc w zapewnieniu bardziej spójnej opieki w różnych instytucjach i uważamy, że wdrożenie kliniczne może być możliwe w ciągu kilku lat.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- Narzędzie iSeg opracowane przez Northwestern Medicine wykorzystuje AI do trójwymiarowej segmentacji guzów płuc, uwzględniając ich ruch podczas oddychania.
- Precyzja iSeg pozwala lekarzom szybciej i dokładniej określić granice guza na tomografii komputerowej, eliminując rozbieżności między ekspertami.
- Badania kliniczne wykazały, że iSeg skutecznie identyfikuje obszary pomijane przez lekarzy, co może poprawić wyniki leczenia onkologicznego.
- Wdrożenie kliniczne iSeg jest w trakcie testów, a zespół planuje jego adaptację do innych typów nowotworów i technik obrazowania (MRI, PET).
Źródło:
- npj Precision Oncology
- Northwestern University
