Kunstig intelligens identificerer bugspytkirtelkræft op til tre år før diagnosen

En kunstig intelligensmodel udviklet af forskere ved Clínica Mayo og Centro af Câncer MD Anderson opdagede tegn på bugspytkirtelkræft i CT-scanninger med overraskende nøjagtighed. Systemet, kaldet REDMOD (radiomics-based early detection model), var i stand til at identificere sygdommen cirka 16 måneder før konventionel diagnose i omkring 73 % af de testede tilfælde. I nogle undersøgelser genkendte AI mistænkelige mønstre mere end to år i forvejen, med potentiale for påvisning op til tre år før klinisk bekræftelse.

Kræft i bugspytkirtlen er på vej til at blive den anden førende årsag til kræftdød i Estados Unidos i 2030. Atualmente, 85 % af diagnoserne opstår, når sygdommen allerede har spredt sig til andre organer, hvilket gør kurativ behandling betydeligt vanskelig. REDMOD fremstår som et lovende værktøj til at vende dette scenario ved at identificere minimale ændringer i rutineundersøgelser.

Como systemet registrerer signaler, der er usynlige for det menneskelige øje

REDMOD leder ikke efter tydelige tumorer. I stedet leder den efter radiomiske mønstre – subtile ændringer i tekstur og struktur af bugspytkirtelvæv, der undslipper menneskelig visuel påvisning. Modellen blev trænet med 969 CT-scanninger for at lære at genkende de tidlige tegn på sygdommen på stadier, hvor den stadig kan helbredes.

Normale Células udvikler mutationer i deres DNA, der påvirker deres vækst. Kræft i bugspytkirtlen tager ofte år for disse ændringer at udvikle sig til en tumor, der er synlig på billedundersøgelser eller forårsager symptomer. REDMOD kan fange denne usynlige progression længe før en tumor manifesterer sig klinisk.

Resultados overgår menneskelig ekspertanalyse

Forskerne testede REDMOD på 63 CT-scanninger af patienter, som senere udviklede bugspytkirtelkræft, samt 430 kontrolscanninger af raske personer. Systemet identificerede 46 af de 63 mistænkte tilfælde korrekt og opnåede en hitrate på 73 %.

Dois humane radiologer, der analyserede de samme scanninger, opdagede samtidig tidlige tegn i kun 38,9 % af tilfældene. Forskellen repræsenterer en væsentlig fordel: AI-modellen fordoblede næsten den tidlige detektionskapacitet sammenlignet med eksperter.

Testene blev gentaget på to forskellige datasæt med forskelligt udstyr på forskellige hospitaler. I alle scenarier opretholdt REDMOD ensartet ydeevne. Para-patienter med flere tilgængelige scanninger producerede AI bredt tilpassede resultater, selv når scanninger blev udført med måneders mellemrum.

Leia Também

Utilsigtet opdagelse af kosmisk stråling i antennen afslører bevis for Big Bang

Academy godkender flere nomineringer til skuespillere i samme Oscar 2027-kategori

Nintendo Switch 2 modtager ni spil i maj med action- og adventure-titler

Desafios og næste trin til implementering

Undersøgelsen identificerede et vigtigt punkt: af de 430 raske individer blev 81 forkert markeret som mistænkte af REDMOD. Hvis de blev implementeret i et reelt scenarie, ville disse mennesker modtage yderligere test, før de bekræftede et negativt resultat. Refinamento af denne specificitet repræsenterer prioritet for at undgå unødvendige procedurer.

• Potentielle Validação i højrisikogrupper
• Testes i større og mere forskelligartede populationer
• Integração i eksisterende kliniske processer
• Modelspecificitet Aprimoramento
• Acessibilidade i forskellige hospitalssammenhænge

Radiologista Ajit Goenka fra Clínica Mayo siger, at den største hindring for at redde liv i bugspytkirtelkræft altid har været manglende evne til at opdage sygdommen, når den stadig er helbredelig. “Denne AI kan nu identificere signaturen af ​​kræft i en normal udseende bugspytkirtel og kan gøre det pålideligt over tid og i en række kliniske omgivelser.”

Caminho til ændring af det diagnostiske paradigme

Det reelle potentiale ved REDMOD ligger i dets anvendelse på rutine-CT-scanninger udført af andre årsager. Médicos anmoder ofte om bugspytkirteltest for at undersøge ikke-relaterede symptomer. Hvis REDMOD rutinemæssigt overvåger disse billeder, kan den opdage kræft i det prækliniske stadium, hvor helbredende behandlinger stadig er effektive.

Forskerne planlægger at udvide testene til større, mere forskelligartede grupper. Também vil undersøge, hvor let det er at inkorporere AI i eksisterende medicinske arbejdsgange. Målet er at transformere nuværende diagnose – baseret på fremskredne symptomer – til proaktiv aflytning af tidlig sygdom.

Studieforfatterne fremhæver, at rammeværkets demonstrerede evne til konsekvent at detektere skjulte signaler i store, klinisk orienterede datasæt, kombineret med dets høje stabilitet over tid og validerede specificitet, lægger et solidt grundlag for AI-augmented tidlig detektion. Forskerne udtrykker optimisme om, at de med fortsat udvikling og forfining vil være i stand til at tilbyde et utroligt brugbart system mod en af ​​de mest dødelige kræfttyper, der findes.