Podczas konferencji ATS 2025 International Conference zaprezentowano przełomowe wyniki badania z udziałem sztucznej inteligencji, które mogą zmienić podejście do badań przesiewowych w kierunku raka płuc. Model Sybil, oparty na głębokim uczeniu, potrafi oszacować ryzyko zachorowania na raka płuc na podstawie pojedynczego niskodawkowego badania tomografii komputerowej klatki piersiowej (LDCT). Wyniki opublikowano również na łamach American Journal of Respiratory and Critical Care Medicine.
Z tego artykułu dowiesz się…
- Jak działa model sztucznej inteligencji Sybil i co potrafi przewidywać.
- Dlaczego Sybil może być przydatny w przypadku osób niekwalifikujących się do badań przesiewowych.
- Jakie wyniki osiągnął model w ocenie ponad 21 000 pacjentów.
Sybil – jak działa model?
Model Sybil został opracowany na bazie danych pochodzących z National Lung Screening Trial (NLST) przez zespoły badawcze z MIT oraz Harvard Medical School. Następnie przetestowano go na ponad 21 000 przypadków pacjentów w wieku 50–80 lat, którzy samodzielnie zdecydowali się na przesiewowe badanie LDCT w latach 2009–2021. Model analizował archiwalne obrazy i prognozował ryzyko rozwoju raka płuc w perspektywie roku i sześciu lat.
Co istotne, model dobrze sprawdzał się również u osób, które nigdy nie paliły — populacji, która obecnie jest wykluczona z większości zaleceń dotyczących przesiewu w kierunku raka płuc.
Przełom dla osób z grup niskiego ryzyka
Zgodnie z aktualnymi międzynarodowymi wytycznymi, osoby niepalące nie są objęte badaniami przesiewowymi w kierunku raka płuc. Tymczasem rośnie liczba przypadków zachorowań w tej grupie. W Azji osoby niepalące stanowią znaczącą część nowo diagnozowanych pacjentów, a region ten odpowiada za ponad 60% globalnych przypadków raka płuc i związanych z nim zgonów.
Model Sybil może odegrać bardzo ważną rolę w lepszym dopasowaniu strategii przesiewowych — zarówno poprzez identyfikację osób rzeczywiście niskiego ryzyka, które mogą zrezygnować z kolejnych badań, jak i tych, którzy powinni być monitorowani mimo braku klasycznych czynników ryzyka.
Potencjalne zastosowania kliniczne
Sybil działa niezależnie od czynników demograficznych i stylu życia pacjenta. Pozwala to na stworzenie spersonalizowanych ścieżek postępowania dla osób, które przeszły LDCT, ale nie otrzymały jednoznacznych zaleceń dotyczących dalszych kroków diagnostycznych.
Kolejnym etapem będzie prospektywna walidacja skuteczności Sybil w rzeczywistym środowisku klinicznym, a także rozszerzenie jego możliwości prognostycznych na inne wskaźniki, w tym śmiertelność specyficzną dla raka płuc.
Główne wnioski
- Model Sybil wykorzystujący głębokie uczenie przewiduje ryzyko raka płuc na podstawie jednego badania LDCT, niezależnie od danych demograficznych.
- W badaniu obejmującym ponad 21 000 pacjentów w wieku 50–80 lat Sybil skutecznie prognozował ryzyko nowotworu w perspektywie rocznej i sześcioletniej.
- Model sprawdza się także u niepalących, którzy nie są objęci obecnymi rekomendacjami przesiewowymi, mimo rosnącej zachorowalności w tej grupie.
- Planowane są badania prospektywne mające na celu wdrożenie Sybil w codziennej praktyce klinicznej.
Źródło:
- https://www.atsjournals.org/doi/10.1164/ajrccm.2025.211.Abstracts.A5012
- healthcare-in-europe.com
- American Thoracic Society
- upi.com
