Οι ερευνητές προσπαθούν εδώ και καιρό να διαλευκάνουν την πολυπλοκότητα του καρκίνου στο πάγκρεας για τη βελτίωση της έγκαιρης ανίχνευσης και των αποτελεσμάτων επιβίωσης. Τώρα, οι επιστήμονες του ΜΙΤ ανέπτυξαν δύο μοντέλα μηχανικής μάθησης που επιδεικνύουν αυξημένες επιδόσεις στον εντοπισμό ασθενών υψηλού κινδύνου σε σύγκριση με τα υπάρχοντα πρότυπα.
Συγκεκριμένα, τα μοντέλα, που ονομάστηκαν PRISM και λογιστική παλινδρόμηση, αξιοποιούν μια εκτεταμένη βάση δεδομένων με πάνω από 5 εκατομμύρια ηλεκτρονικά αρχεία υγείας από τις Ηνωμένες Πολιτείες. Tα εκτεταμένα αυτά δεδομένα διευκολύνουν τις γενικεύσιμες προβλέψεις πέρα από γεωγραφικά και δημογραφικά όρια.
Σε δοκιμές επικύρωσης, τα μοντέλα εντόπισαν πάνω από το 35% των περιπτώσεων αδενοκαρκινώματος του παγκρεατικού πόρου (PDAC) σε ένα δεδομένο όριο κινδύνου, ενώ οι τρέχουσες προσεγγίσεις εντοπίζουν μόνο το 10%. Το PDAC αποτελεί την πιο διαδεδομένη μορφή καρκίνου του παγκρέατος.
Η χρήση της τεχνητής νοημοσύνης για την εκτίμηση του κινδύνου καρκίνου έχει ήδη υπάρχουσες κλινικές εφαρμογές στην ανάλυση σαρώσεων και αποτελεσμάτων εξετάσεων. Ωστόσο, σύμφωνα με τον επικεφαλής συγγραφέα της μελέτης Kai Jia, η κλίμακα και η ποικιλομορφία του συνόλου δεδομένων των μοντέλων υπερβαίνει σημαντικά τις προηγούμενες προσπάθειες, επιτρέποντας ευρύτερη εφαρμογή. Η ομάδα χρησιμοποίησε επίσης μια νέα τεχνική “κανονικοποίησης” κατά τη διάρκεια της εκπαίδευσης των μοντέλων για να ενισχύσει τη γενίκευση και την ερμηνευσιμότητα.
Ανεξάρτητοι εμπειρογνώμονες υπογραμμίζουν τη σημαντικότητα της μελέτης για τη χρήση μεγάλων δεδομένων και τεχνητής νοημοσύνης για την προώθηση του εντοπισμού ασθενών που χρήζουν εντατικοποιημένου ελέγχου λόγω αυξημένου κακοήθους κινδύνου. Κάτι τέτοιο θα μπορούσε τελικά να ανοίξει το δρόμο για την ανάπτυξη εστιασμένων πρώιμων παρεμβάσεων για τη βελτίωση των αποτελεσμάτων της χαρακτηριστικής νόσου που διαγιγνώσκεται σε προχωρημένο στάδιο και είναι δύσκολη στη θεραπεία.
Ιδιαίτερη παρουσία στο σχετικό χώρο έχει και η Google η οποία τα τελευταία χρόνια έχει κάνει αρκετές προσπάθειες στον τομέα της Τεχνητής Νοημοσύνης (AI) και των διαγνωστικών εξετάσεων. Μεταξύ άλλων ανέπτυξε ένα αλγόριθμο AI που μπορεί να ανιχνεύσει τον καρκίνο του μαστού από μαστογραφίες τόσο αποτελεσματικά όσο και οι ειδικοί ακτινολόγοι ενώ δημιούργησε ένα σύστημα AI που βελτιώνει την ακρίβεια της ανάλυσης εικόνων στις μαγνητικές τομογραφίες εγκεφάλου κατά 10-25%.
