Rak został sklasyfikowany jako różnorodna choroba z szerokim zakresem podgrup. Wczesna identyfikacja i prognoza, które stały się wymogiem badań nad rakiem, są niezbędne do leczenia klinicznego. Pacjenci odnieśli już duże korzyści z wykorzystania algorytmów sztucznej inteligencji (AI), uczenia maszynowego (ML) i głębokiego uczenia (DL) w dziedzinie opieki zdrowotnej. AI symuluje i łączy dane, wstępnie zaprogramowane reguły i wiedzę w celu tworzenia prognoz. Dane są wykorzystywane do poprawy wydajności w różnych dążeniach i zadaniach za pośrednictwem ML. DL to większa rodzina metod ML opartych na symbolicznym uczeniu się i symulowanych sieciach neuronowych.

Między innymi maszyny wektorów nośnych, konwulsyjne sieci neuronowe i sztuczne sieci neuronowe są szeroko stosowane w badaniach nad nowotworami do konstruowania modeli predykcyjnych, które umożliwiają precyzyjne i skuteczne podejmowanie decyzji. Chociaż te innowacyjne metody mogą zwiększyć naszą wiedzę na temat postępu nowotworu, konieczna jest dalsza walidacja, zanim techniki te będą mogły być stosowane w rutynowej praktyce klinicznej.

Badacze Vibhas Chugh, Adreeja Basu, Ajeet Kaushik, Manshu, Shekhar Bhansalid i Aviru Kumar Basu omawiają współczesne metody stosowane w modelowaniu rozwoju raka w badaniu zatytułowanym „Wykorzystywanie inteligentnych technologii opartych na sztucznej inteligencji (AI) do przewidywania, badań przesiewowych, i wykrywanie raka”.

Według danych WHO (Światowej Organizacji Zdrowia) z 2018 r. rak był jedyną przyczyną 9,6 mln zgonów, co czyni go najczęstszą przyczyną zgonów.1 W skali globalnej nowotwory są szóstą najczęstszą przyczyną umieralności. Podkreśla to krytyczną potrzebę opracowania nowszych, bardziej ukierunkowanych planów leczenia raka. Rak to szerokie pojęcie; opisuje chorobę, która rozwija się po zmianach biologicznych, które prowadzą do niekontrolowanej proliferacji i podziału komórek.

Sztuczna inteligencja i dobre samopoczucie

Algorytmy prognozowania oparte na sztucznej inteligencji są obecnie istotną częścią leczenia raka. Rozpoznając zmienne ryzyka, modele predykcyjne mogą określić prawdopodobieństwo zachorowania na określony nowotwór u danej osoby. Sztuczna inteligencja może identyfikować osoby o większym ryzyku zarażenia chorobą, zanim się ona rozprzestrzeni. Umożliwia to ekspertom medycznym dokładne monitorowanie tych pacjentów i podejmowanie szybkich działań w razie potrzeby.

Inteligentne narzędzia do wczesnego przewidywania chorób, skutecznych badań przesiewowych i ciągłego monitorowania są możliwe dzięki zastosowaniu podejść AI, ML i DL. Techniki te wykorzystują wzorce danych do przewidywania możliwych zagrożeń dla zdrowia, przyspieszania procedury diagnostycznej i umożliwiają monitorowanie pacjenta w czasie rzeczywistym. Połączenie sztucznej inteligencji, uczenia maszynowego i DL zapewnia proaktywną wiedzę pracownikom służby zdrowia, prowadząc do zmiany paradygmatu w tej dziedzinie w kierunku medycyny spersonalizowanej i prewencyjnej, a ostatecznie do poprawy ogólnej skuteczności leczenia chorób.

W proponowanym badaniu wskazano zastosowanie sztucznej inteligencji do przewidywania różnych typów nowotworów. Bada rolę sztucznej inteligencji w przewidywaniu raka jelita grubego, piersi, płuc i trzustki. Określa także treść stosowania metod ML/DL opartych na sztucznej inteligencji, np. kwestie etyczne, zarządzanie, bezstronność algorytmiczną, stronniczość danych i bezpieczeństwo. Znaczące ciągłe wysiłki dotyczące medycznej sztucznej inteligencji skupiają się na tworzeniu wytycznych i norm etycznych.

Materiały nowej generacji

Szeroka gama zastosowań czujników w medycynie, elektronice ubieralnej, bezpieczeństwie, środowisku, obronności i rolnictwie została przekształcona poprzez integrację nanomateriałów 2D z Internetem Rzeczy, sztuczną inteligencją i systemem uczenia maszynowego. Rozwój grafenu, borofenu i MXene jako zaawansowanych materiałów 2D (A2M) do budowy czujników nowej generacji wynika z ich charakterystycznych właściwości fizykochemicznych i funkcji powierzchniowych. Ich unikalne właściwości elektroniczne, mechaniczne i optyczne stanowią atrakcyjną platformę do zastosowań w biosensorach. Jednakże wykorzystanie ich pełnego potencjału do skutecznych badań przesiewowych biomarkerów nowotworowych wiąże się z wyzwaniami, takimi jak czułość i swoistość wykrywania biomarkerów, stabilność w środowiskach biologicznych oraz kwestie ekonomiczne i skalowalność.

Branża medyczna doświadcza gwałtownych zmian związanych z integracją sztucznej inteligencji, a nigdzie nie jest to bardziej widoczne niż w obrazowaniu nowotworów. Większość radiologów zauważyła transformacyjny potencjał zastosowań terapeutycznych opartych na sztucznej inteligencji, co czyni je ekscytującym obszarem innowacji i badań. Obrazowanie nowotworów podlega szybkiej ewolucji. Postępy w sztucznej inteligencji, zwłaszcza te zakorzenione w uczeniu maszynowym, torują drogę do dokładniejszych, wydajniejszych i terminowych procedur diagnostycznych.