Новая модель ИИ с высокой точностью выявляет рак поджелудочной железы на ранних стадиях развития

Искусственный интеллект научился замечать рак поджелудочной железы на обычных КТ-снимках — в среднем за полтора года до того, как болезнь обнаружат врачи. Клиника Мэйо (Mayo Clinic) опубликовала в журнале Gut результаты валидации модели REDMOD (Radiomics-based Early Detection Model). На почти 2 000 томограммах, которые радиологи изначально признали нормальными, система выявила 73% случаев рака, диагностированных впоследствии. В среднем искусственный интеллект опережал диагнозы врачей на 16 месяцев.

Как работает модель

REDMOD анализирует сотни количественных характеристик ткани — текстурные и структурные параметры, — улавливая биологические изменения еще до того, как опухоль становится видимой для человека. Около 90% предсказательной силы модели обеспечивают так называемые вейвлет-фильтрованные текстурные признаки (при которой исходный сигнал раскладывается на различные частотные компоненты (масштабы) для удаления шума, сжатия или выделения ключевых особенностей): они точнее отражают нарушения ткани, чем обычные необработанные характеристики .

Система полностью автоматизирована: не требует ручной разметки снимков и долгой подготовки данных. Встроенный порог классификации позволяет настраивать чувствительность без переобучения модели.

Сравнение с врачами

Исследователи протестировали REDMOD на независимой выборке из 493 пациентов и напрямую сравнили результаты с оценками радиологов. Разрыв оказался существенным: на всей выборке чувствительность модели составила 73%, у радиологов — 38,9%. На снимках, сделанных более чем за два года до диагноза, REDMOD выявлял изменения в 68% случаев, тогда как специалисты без ИИ-подсказки — лишь в 23%.

«Главное, что мешает спасать жизни людей при раке поджелудочной железы — это то, что мы не видим болезнь, пока ее еще можно вылечить. Теперь ИИ способен распознать характерные признаки рака в нормальной с виду поджелудочной — надежно, на разных аппаратах и в разное время», — объяснил ведущий автор работы, радиолог клиники Мэйо Аджит Гоенка (Ajit Goenka).

Авторы тестировали модель на данных из нескольких клиник, разных томографов и протоколов сканирования — то есть в условиях, максимально близких к реальной практике.

Главная идея разработчиков — встраивать REDMOD в стандартную процедуру расшифровки КТ-снимков, которые пациенты и так делают по другим поводам. В первую очередь речь идет о группах повышенного риска. Один из очевидных примеров — люди с впервые диагностированным диабетом: у них вероятность рака поджелудочной заметно выше среднего.

Контекст для понимания масштаба проблемы: 85% случаев рака поджелудочной железы диагностируют на стадии, когда болезнь уже распространилась, а пятилетняя выживаемость при этом диагнозе остается ниже 15%.

Следующий шаг

Клиника Мэйо уже запускает клиническое исследование AI-PACED, которое должно показать, как интегрировать ИИ-диагностику в реальную клиническую практику: насколько часты ложные срабатывания, как часто удается выявлять ранние стадии и что это дает пациентам в итоге.

Мнение ИИ

Анализ истории медицинской диагностики показывает: каждый раз, когда технология берёт на себя рутинный визуальный анализ — будь то маммография или скрининг сетчатки, — главным узким местом становится не точность алгоритма, а инфраструктура внедрения. REDMOD демонстрирует впечатляющие показатели на ретроспективных данных, однако ретроспективная валидация по определению тестирует модель на пациентах, у которых рак уже развился, — это принципиально иная задача, чем проспективный скрининг популяции, где доля истинно положительных случаев на порядок ниже.

Ключевой вопрос, который исследование должно будет решить: как поведёт себя специфичность модели при развёртывании на миллионах «случайных» КТ-снимков? Даже 5% ложных срабатываний в масштабе национального скрининга — это сотни тысяч лишних биопсий и процедур. Технология может быть блестящей, но её реальная ценность определится тем, насколько грамотно медицинские системы выстроят протоколы реагирования на её сигналы.

Источник