PRZEWODNIK branżowy

AI w onkologii

Sztuczna inteligencja w onkologii wykorzystuje uczenie maszynowe, aby pomóc w wyszukiwaniu guzów na skanach i preparatach, szacowaniu ryzyka, planowaniu radioterapii i organizowaniu informacji na potrzeby decyzji dotyczących leczenia, takich jak recenzje komisji ds. nowotworów.

Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~3 min

Na tej stronie3 minuty czytania
  1. Przegląd
  2. Głębokie nurkowanie
  3. Implementacja w świecie rzeczywistym
  4. Przyszłość sztucznej inteligencji w onkologii
  5. Wdrażanie tego w praktykę
  6. Odkrywaj dalej
  7. Często zadawane pytania

Przegląd

Ma to znaczenie, ponieważ opieka onkologiczna wymaga ogromnych ilości obrazów i danych, ale jak dotąd najsilniejsze dowody dotyczą zadań związanych z wykrywaniem i przepływem pracy, a nie sztucznej inteligencji wybierającej leczenie, które powinien otrzymać pacjent.

Głębokie nurkowanie

Onkolodzy spotykają się ze sztuczną inteligencją w trzech głównych miejscach: wykrywaniu, planowaniu leczenia i wspomaganiu decyzji. Wykrywanie jest najbardziej dojrzałe. W przypadku mammografii szwedzkie randomizowane badanie MASAI, opublikowane po raz pierwszy w 2023 r., wykazało, że badania przesiewowe wspomagane sztuczną inteligencją wykrywają więcej nowotworów niż standardowe podwójne czytanie, zmniejszając jednocześnie obciążenie radiologa związanego z czytaniem ekranu o około 44 procent. W patologii FDA zatwierdziła Paige Prostate w 2021 r. jako pierwszy produkt AI pomagający patologom w czytaniu biopsji prostaty. Modele badawcze umożliwiają również ocenę takich cech, jak niestabilność mikrosatelity bezpośrednio na podstawie rutynowo barwionych preparatów, a badacze z MIT i Massachusetts General Hospital zbudowali Sybil, który przewiduje przyszłe ryzyko raka płuc na podstawie pojedynczego tomografii komputerowej z małą dawką. Planowanie leczenia jest po cichu szeroko rozpowszechnione. Narzędzia do automatycznego konturowania tworzą kontury guzów i pobliskich narządów do radioterapii, co może zająć lekarzom wiele godzin. Lekarze nadal sprawdzają i edytują każdy kontur. Wybór leczenia to obszar, w którym konieczna jest ostrożność. IBM Watson for Oncology był reklamowany w celu sugerowania terapii, ale napotkał raporty o zaleceniach, które nie zgadzały się z ekspertami, a niektóre były niebezpieczne, w związku z czym IBM później sprzedał swój biznes Watson Health. Lekcja była taka, że ​​szkolenie na małym zestawie hipotetycznych przypadków i preferencjach jednej instytucji nie daje wiarygodnych ogólnych porad. Rady ds. nowotworów, na których chirurdzy, onkolodzy, radiolodzy i patolodzy wspólnie omawiają przypadki, coraz częściej korzystają z oprogramowania, które gromadzi dane i flagi pasujące do badań klinicznych lub ścieżek wytycznych. Testowane są duże modele językowe w celu podsumowania zapisów tych spotkań, ale halucynacje lub nieaktualne fakty stanowią poważne ryzyko. Głównym ograniczeniem obecnych dowodów jest to, że wiele badań ma charakter retrospektywny, mierzy dokładność, a nie wyniki pacjentów i pochodzi z kilku ośrodków dysponujących odpowiednimi zasobami. Znalezienie większej liczby małych nowotworów jest pomocne tylko wtedy, gdy poprawia przeżycie, a nie zwiększa ryzyko nadmiernej diagnozy.

Implementacja w świecie rzeczywistym

Program badań przesiewowych piersi wykorzystuje sztuczną inteligencję do selekcji mammografii, tak aby w przypadku prawdopodobnie normalnych badań potrzebny był jeden radiolog, a w przypadku badań o podwyższonym ryzyku – dwóch czytników, co zmniejsza obciążenie pracą związaną z czytaniem.

Zespół radioterapeutyczny korzysta z oprogramowania do automatycznego konturowania, aby na skanach tomografii komputerowej narysować wstępny zarys zagrożonych narządów, który następnie sprawdza i koryguje dozymetr i onkolog.

Laboratorium patologiczne wykorzystuje system sztucznej inteligencji do wyróżniania podejrzanych obszarów na cyfrowych preparatach z biopsji prostaty, aby patolog dokładnie je sprawdził.

Oprogramowanie komisji nowotworowej szpitala gromadzi obrazowanie, patologię, genomikę i historię leczenia w jednym panelu przed cotygodniowymi spotkaniami wielodyscyplinarnymi.

Przyszłość sztucznej inteligencji w onkologii

Wzrost w najbliższej przyszłości będzie najprawdopodobniej dotyczył badań przesiewowych, patologii i radioterapii, gdzie zadania są dobrze zdefiniowane, a wyniki można sprawdzić. Dłuższa obserwacja badań przesiewowych wyjaśni, czy dodatkowe wykrycia zmniejszają liczbę nowotworów i zgonów w odstępach czasu, czy też powodują nadmierną diagnostykę. Modele multimodalne łączące obrazy, genomikę i zapisy stanowią aktywny obszar badań, ale przed podjęciem decyzji dotyczących leczenia będą potrzebne prospektywne badania. Rady ds. nowotworów mogą częściej korzystać z podsumowań AI i dopasowywania prób, a lekarze weryfikują źródła. Równość stanowi poważny problem, ponieważ wiele modeli opracowuje się w dużych ośrodkach akademickich, których pacjenci i sprzęt mogą nie dorównywać szpitalom lokalnym.

Wdrażanie tego w praktykę

Dlaczego to ma znaczenie

  • Kontekst i zasady. Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
  • Kontrola jakości. Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
  • Buduj wybory. Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.

Uważaj na

  • Wymogi prawne mogą unieważnić mocne prototypy.
  • Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
  • Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.

Kolejne kroki

  1. Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
  2. Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
  3. Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
  4. Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.

Odkrywaj dalej

Darmowy newsletter

Otrzymuj codzienne podsumowanie AI

Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.

Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.

Sprawdź się

Take the AI in Oncology quiz

Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.

Rozpocznij quiz

Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę

Często zadawane pytania

Czym jest sztuczna inteligencja w onkologii?

Sztuczna inteligencja w onkologii wykorzystuje uczenie maszynowe, aby pomóc w wyszukiwaniu guzów na skanach i preparatach, szacowaniu ryzyka, planowaniu radioterapii i organizowaniu informacji na potrzeby decyzji dotyczących leczenia, takich jak recenzje komisji ds. nowotworów. Ma to znaczenie, ponieważ opieka onkologiczna wymaga ogromnych ilości obrazów i danych, ale jak dotąd najsilniejsze dowody dotyczą zadań związanych z wykrywaniem i przepływem pracy, a nie sztucznej inteligencji wybierającej leczenie, które powinien otrzymać pacjent.

Co doniesiono ze szwedzkiego badania MASAI na temat mammografii przesiewowej wspieranej przez sztuczną inteligencję?

W randomizowanym badaniu MASAI opublikowanym po raz pierwszy w 2023 r. stwierdzono wyższą wykrywalność i duży spadek obciążenia radiologa pracą związaną z odczytem w porównaniu ze standardowym podwójnym odczytem.

Jaka była najważniejsza lekcja z rozwiązania Watson for Oncology firmy IBM?

Raporty z zaleceniami, które nie zgadzały się z ekspertami, niektóre niebezpieczne, pokazały ograniczenia jej podejścia szkoleniowego. IBM później sprzedał firmę Watson Health.

Który produkt zatwierdziła FDA w 2021 r. jako pierwsza sztuczna inteligencja pomagająca patologom przy biopsjach prostaty?

Paige Prostate podkreśla podejrzane obszary na cyfrowych slajdach biopsji prostaty do oceny przez patologa.

Co przewiduje Sybil z MIT i Massachusetts General Hospital?

Sybil szacuje przyszłe ryzyko raka płuc u danej osoby za pomocą jednej tomografii komputerowej klatki piersiowej o niskiej dawce.

W jaki sposób większość systemów AI radzi sobie z gigapikselowymi obrazami patologii obejmującymi całe slajdy?

Slajdy są zbyt duże, aby można je było przetworzyć na raz, dlatego poprawki są kodowane i łączone, często z uwagą, która tworzy mapę cieplną wpływowych regionów.