Wczesne wykrywanie raka płuca pozostaje kluczowym wyzwaniem współczesnej onkologii i radiologii. Choć niskodawkowa tomografia komputerowa (LDCT) znacznie poprawiła przeżywalność pacjentów wysokiego ryzyka, to nadal generuje dużą liczbę wyników fałszywie dodatnich, co prowadzi do niepotrzebnych procedur diagnostycznych, wzrostu kosztów i niepokoju wśród pacjentów. Przełomowe badanie opublikowane w czasopiśmie Radiology pokazuje, że algorytm sztucznej inteligencji oparty na głębokim uczeniu się może radykalnie poprawić trafność diagnozy, jednocześnie zmniejszając liczbę fałszywych alarmów.
Z tego artykułu dowiesz się…
- Jakie wyzwania wiążą się z oceną złośliwości guzków płucnych w badaniach przesiewowych.
- W jaki sposób algorytmy głębokiego uczenia zwiększają dokładność diagnozy raka płuca.
- Jakie wyniki osiągnęło narzędzie AI w porównaniu z modelem PanCan.
- Dlaczego nowe rozwiązanie może ograniczyć liczbę fałszywych alarmów i niepotrzebnych procedur.
Guzki płucne i wyzwania diagnostyczne
Guzki płucne – małe, okrągłe lub owalne zmiany w płucach – są często wykrywane w badaniach obrazowych, ale ich właściwa kwalifikacja pod kątem ryzyka złośliwości stanowi istotny problem kliniczny. Większość obecnych protokołów oceny opiera się na takich parametrach jak rozmiar, typ i tempo wzrostu guzka. Modele predykcyjne, jak Pan-Canadian model (PanCan), próbują łączyć cechy pacjenta i guzka, by szacować ryzyko, jednak ich dokładność wciąż bywa niewystarczająca.
AI szacuje ryzyko złośliwości – przełom w diagnostyce
W najnowszym badaniu retrospektywnym zespół naukowców z Radboud University Medical Center w Holandii opracował wewnętrzny algorytm głębokiego uczenia, który został wytrenowany na danych z narodowego badania przesiewowego płuc. Dane obejmowały 16 077 guzków, z których 1249 było złośliwych.
Następnie narzędzie przetestowano zewnętrznie na danych z trzech dużych badań przesiewowych: Danish Lung Cancer Screening Trial, Multicentric Italian Lung Detection oraz NELSON (holendersko-belgijskie badanie przesiewowe). Łączna kohorta liczyła 4146 uczestników i obejmowała 7614 łagodnych oraz 180 złośliwych guzków.
Znacząca poprawa dokładności i redukcja wyników fałszywie dodatnich
W połączonej kohorcie model AI osiągnął pole powierzchni pod krzywą ROC (AUC) na poziomie:
- 0,98 dla nowotworów zdiagnozowanych w ciągu 1 roku,
- 0,96 dla 2 lat,
- 0,94 dla całego okresu badań przesiewowych.
Dla porównania, model PanCan osiągnął odpowiednio AUC: 0,98, 0,94 i 0,93.
Dodatkowo, w przypadku tzw. guzków nieokreślonych (5–15 mm), które są szczególnie trudne diagnostycznie, model AI uzyskał wyniki:
- 0,95 (1 rok),
- 0,94 (2 lata),
- 0,90 (cały okres),
podczas gdy PanCan osiągał niższe wartości: 0,91, 0,88 i 0,86. Jak zaznacza główna badaczka dr Noa Antonissen z Radboud University:
Wybraliśmy guzki o wielkości 5–15 mm ze względu na trudności diagnostyczne i częstą konieczność krótkotrwałej obserwacji. Dokładna klasyfikacja ryzyka tych guzków mogłaby ograniczyć liczbę niepotrzebnych zabiegów.
W odniesieniu do nowotworów o rozmiarze dopasowanym do guzków łagodnych, AI osiągnął AUC 0,79, a PanCan zaledwie 0,60.
Co szczególnie istotne – przy 100% czułości modelu AI dla nowotworów zdiagnozowanych w ciągu roku – aż 68,1% guzków łagodnych zostało sklasyfikowanych jako niskiego ryzyka, w porównaniu do 47,4% w przypadku PanCan. To oznacza relatywną redukcję fałszywych wyników o 39,4%.
Jak podkreśla dr Noa Antonissen:
Algorytmy głębokiego uczenia mogą pomóc radiologom w podjęciu decyzji o konieczności wykonania badań obrazowych, ale konieczna jest prospektywna walidacja, aby określić kliniczną przydatność tych narzędzi i ukierunkować ich wdrożenie w praktyce. Zmniejszenie liczby wyników fałszywie dodatnich sprawi, że badania przesiewowe w kierunku raka płuc będą bardziej wykonalne.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- Model głębokiego uczenia osiągnął AUC do 0,98 w wykrywaniu raka płuca, wykazując wyższą skuteczność niż uznany model PanCan.
- Zredukowano liczbę wyników fałszywie dodatnich o 39,4% przy zachowaniu 100% czułości dla nowotworów zdiagnozowanych w ciągu roku.
- Algorytm wykazał wyraźną przewagę w klasyfikacji guzków nieokreślonych (5–15 mm), które dotąd sprawiały trudności diagnostyczne.
- Wdrożenie AI może poprawić efektywność badań przesiewowych, zmniejszając liczbę niepotrzebnych procedur i obciążeń dla systemu ochrony zdrowia.
Źródło:
- Radiological Society of North America
- Radiology
