Artificiell intelligens identifierar cancer i bukspottkörteln upp till tre år före diagnos

En artificiell intelligensmodell utvecklad av forskare vid Clínica Mayo och Centro av Câncer MD Anderson upptäckte tecken på pankreascancer i CT-skanningar med överraskande noggrannhet. Systemet, kallat REDMOD (radiomics-based early detection model), kunde identifiera sjukdomen cirka 16 månader före konventionell diagnos i cirka 73 % av de testade fallen. I vissa undersökningar upptäckte AI misstänkta mönster mer än två år i förväg, med potential för upptäckt upp till tre år före klinisk bekräftelse.

Bukspottkörtelcancer är på väg att bli den näst vanligaste orsaken till cancerdöd inom Estados Unidos år 2030. Atualmente, 85 % av diagnoserna inträffar när sjukdomen redan har spridit sig till andra organ, vilket gör botande behandling avsevärt svår. REDMOD framstår som ett lovande verktyg för att vända detta scenario genom att identifiera minimala förändringar i rutinundersökningar.

Como systemet upptäcker signaler som är osynliga för det mänskliga ögat

REDMOD letar inte efter uppenbara tumörer. Istället letar den efter radiomiska mönster – subtila förändringar i strukturen och strukturen hos bukspottkörtelvävnaden som undkommer mänsklig visuell upptäckt. Modellen tränades med 969 CT-skanningar för att lära sig känna igen de tidiga tecknen på sjukdomen i stadier där den fortfarande går att bota.

Normala Células utvecklar mutationer i deras DNA som påverkar deras tillväxt. Bukspottkörtelcancer tar ofta år för dessa förändringar att utvecklas till en tumör som är synlig på bildstudier eller orsakar symtom. REDMOD kan fånga denna osynliga utveckling långt innan en tumör manifesterar sig kliniskt.

Resultados överträffar mänsklig expertanalys

Forskarna testade REDMOD på 63 CT-skanningar av patienter som senare utvecklade bukspottkörtelcancer, samt 430 kontrollundersökningar av friska individer. Systemet identifierade korrekt 46 av de 63 misstänkta fallen och uppnådde en träfffrekvens på 73 %.

Dois mänskliga radiologer som analyserade samma skanningar upptäckte samtidigt tidiga tecken i endast 38,9 % av fallen. Skillnaden representerar en betydande fördel: AI-modellen fördubblade nästan kapaciteten för tidig upptäckt jämfört med experter.

Testerna upprepades på två olika datamängder med olika utrustning på olika sjukhus. I alla scenarier bibehöll REDMOD konsekvent prestanda. Para-patienter med flera tillgängliga skanningar gav AI brett anpassade resultat, även när skanningar utfördes med månaders mellanrum.

Leia Também

Vilken tid börjar Shakiras show i Rio? Schema, attraktioner i Todo Mundo no Rio och var du kan se den live

McLaren glänser med Norris-seger i Miami GP-sprint

General Motors integrerar Google Gemini-systemet i fyra miljoner fordon i USA

Desafios och nästa steg för implementering

Studien identifierade en viktig punkt: av de 430 friska individerna märktes 81 felaktigt som misstänkta av REDMOD. Om de implementeras i ett verkligt scenario skulle dessa personer få ytterligare tester innan de bekräftar ett negativt resultat. Refinamento av denna specificitet representerar prioritet för att undvika onödiga procedurer.

• Prospektiv Validação i högriskgrupper
• Testes i större och mer varierande populationer
• Integração i befintliga kliniska processer
• Modellspecificitet Aprimoramento
• Acessibilidade i olika sjukhussammanhang

Radiologista Ajit Goenka från Clínica Mayo säger att det största hindret för att rädda liv i bukspottkörtelcancer alltid har varit oförmågan att upptäcka sjukdomen när den fortfarande går att bota. “Denna AI kan nu identifiera signaturen av cancer i en bukspottkörtel som ser normalt ut och kan göra det på ett tillförlitligt sätt över tid och i en mängd olika kliniska miljöer.”

Caminho för att ändra det diagnostiska paradigmet

Den verkliga potentialen hos REDMOD ligger i dess tillämpning på rutin-CT-skanningar utförda av andra skäl. Médicos begär ofta bukspottkörteltest för att undersöka orelaterade symtom. Om REDMOD rutinmässigt övervakar dessa bilder kan den upptäcka cancer i det prekliniska skedet, när botande behandlingar fortfarande är effektiva.

Forskarna planerar att utöka testerna till större, mer olika grupper. Também kommer att undersöka hur lätt det är att integrera AI i befintliga medicinska arbetsflöden. Målet är att omvandla nuvarande diagnos – baserad på avancerade symtom – till proaktiv avlyssning av tidig sjukdom.

Studieförfattarna lyfter fram att ramverkets demonstrerade förmåga att konsekvent detektera dolda signaler i stora, kliniskt orienterade datamängder, kombinerat med dess höga stabilitet över tid och validerad specificitet, lägger en solid grund för AI-förstärkt tidig upptäckt. Forskarna uttrycker optimism om att de med fortsatt utveckling och förfining kommer att kunna erbjuda ett otroligt användbart system mot en av de dödligaste cancertyperna som finns.