Новое исследование подчеркивает потенциал искусственного интеллекта для преобразования скрининга рака легких

visibility851
13.03.2024

В недавнем исследовании, опубликованном в журнале Cancers, был проведен метаанализ для оценки потенциала искусственного интеллекта (ИИ) в ранней диагностике рака легких.
Рак легких - глобальная проблема здравоохранения с высоким уровнем смертности из-за поздней диагностики. Современные методы раннего выявления включают компьютерную томографию (КТ), однако доброкачественные поражения и опыт радиологов влияют на эффективность. Для улучшения прогноза и повышения выживаемости требуются инновационные стратегии.

Модели искусственного интеллекта могут улучшить эти подходы, повысив точность и эффективность, уменьшив количество ложноположительных и отрицательных результатов и дополнив существующие методы.

Диагностические системы с поддержкой ИИ в здравоохранении, в частности при раке легких, могут повысить точность диагностики, стабильность и эффективность работы.

Об исследовании

В данном мета-анализе исследователи оценили эффективность моделей искусственного интеллекта в раннем выявлении рака легких, подчеркнув их потенциал для повышения точности диагностики и проанализировав их сильные стороны, ограничения и сравнительные преимущества перед традиционными методами.

Группа провела поиск в базах данных PubMed, Science Direct, Embase и Google Scholar для получения соответствующих записей, опубликованных на английском языке до октября 2023 года.

Два исследователя независимо друг от друга отбирали записи по заранее определенным критериям, чтобы отобрать высококачественные исследования, и устраняли несоответствия путем консенсуса или консультации с третьим исследователем.

Команда включала оригинальные статьи исследований, оценивающих эффективность ИИ для выявления рака легких на ранней стадии и сообщающих о результатах в виде таких показателей, как специфичность, чувствительность и точность.

Исключались исследования с недостаточной информацией об эффективности моделей ИИ, комментарии, тезисы конференций, не содержащие первичной информации, и обзоры.

Группа собрала данные о месте проведения исследования, дизайне, использованной модели ИИ, источнике данных, показателях эффективности, методе валидации и результатах.

При проведении анализа они следовали рекомендациям Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) и оценивали качество исследований с помощью инструмента Quality Assessment of Diagnostic Accuracy Studies (QUADAS-2).

В исследованиях оценивались такие области риска предвзятости, как выбор пациента, индексный тест, референтный стандарт, поток и сроки, которые были представлены как низкий, неясный или высокий риск.

Исследователи оценили неоднородность исследований с помощью статистики I2 и теста хи-квадрат. Они провели моделирование случайных эффектов для мета-анализа и проанализировали лесные диаграммы объединенных диагностических показателей для моделей AI.

Результаты

Первоначально группа выявила 1 024 записи, проверила 116 на соответствие требованиям, исключила 326 дубликатов и 28 исследований, опубликованных на неанглийских языках.
Только 39 записей соответствовали критериям отбора, демонстрируя различные варианты применения моделей ИИ для выявления рака легких и подчеркивая различные достоинства исследований.
Исследование выявило потенциал искусственного интеллекта в диагностике рака легких на начальной стадии: суммарная чувствительность составила 0,87, а специфичность - 0,87, что свидетельствует о высокой точности определения истинно положительных и отрицательных результатов.
Однако группа отметила неоднородность исследований из-за различий в исследуемых группах, источниках данных и спецификациях моделей. Группа выявила низкие риски смещения при отборе пациентов, индексных тестах и референсных стандартах, но более высокие риски смещения в отношении потока и сроков.
Исследования показали, что модели ИИ, в частности рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), могут повысить точность прогнозирования рака легких, уменьшая количество ложноположительных результатов и снижая влияние отсутствующих данных.
Также использовались такие модели ИИ, как DL, DBN, машинное обучение (ML), логистические регрессии (LL), классификаторы случайного леса (RF), наивные байесовские системы (NBS), байесовские сети (BN) и деревья решений.
В исследовании из Китая использовались трехмерные модели глубокого обучения на снимках компьютерной томографии, в результате чего чувствительность, специфичность и общая диагностическая точность составили 75%, 82% и 89% соответственно.
В другом исследовании, проведенном в Китае, на основе консорциума баз данных изображений легких (LIDC) и инициативы по созданию ресурса баз данных изображений (IDRI) использовалась машина опорных векторов с наименьшей абсолютной связью и оператором выбора (SVM-LASSO), и была достигнута точность 85 %, что на 12 % выше, чем в системе Lung-Reporting and Data System (RADS).
В другом исследовании, проведенном в Китае, использовалась трехмерная настраиваемая сеть смешанных связей (CMixNet) для данных, полученных из наборов данных LIDC-IDRI и анализа легочных узелков (LUNA-16), при этом чувствительность и специфичность составили 94% и 91% соответственно, продемонстрировав лучшие результаты по сравнению с существующими методами, используемыми для выявления рака легких.
Полученные результаты свидетельствуют о компромиссе между специфичностью и чувствительностью и о преимуществах методов, основанных на искусственном интеллекте.

В то время как некоторые исследования подчеркивают потенциал искусственного интеллекта в преодолении конкретных проблем, другие подчеркивают надежность и эффективность искусственного интеллекта в скрининге рака легких, что приносит пользу медицинским работникам и пациентам.

Выводы

Результаты исследования показали, что модели ИИ эффективно выявляют рак легких на ранних стадиях, определяют положительные и отрицательные результаты и улучшают прогноз.
Однако неоднородность исследований подчеркивает необходимость стандартизированных протоколов. Будущие исследования должны быть направлены на совершенствование моделей ИИ, рассмотрение проблем и сотрудничество с исследователями, клиницистами и политиками для разработки рекомендаций и стандартов для систем ИИ в скрининге рака легких.
Решение этих проблем будет способствовать развитию технологий ИИ, что в конечном итоге облегчит раннюю диагностику рака легких и оперативное лечение.

Похожие новости

0 cart