Przełomowe, randomizowane, kontrolowane badanie przeprowadzone w Korei wykazało, że oprogramowanie oparte na sztucznej inteligencji zaprojektowane do oceny zdjęć rentgenowskich klatki piersiowej poprawiło wykrywanie guzków w płucach. Wyniki, opublikowane dzisiaj w czasopiśmie Radiologiawskazują drogę do wykorzystania tej technologii jako regularnej części klinicznych badań przesiewowych w kierunku guzków płuc.

„Wykrywanie guzków w płucach, które są głównym objawem raka płuc, jest jednym z kluczowych zadań na zdjęciu rentgenowskim klatki piersiowej” – powiedział dr Jin Mo Goo z Wydziału Radiologii Narodowego Szpitala Uniwersyteckiego w Seulu w Korei i współ- autor artykułu. „Wiele badań sugeruje, że oprogramowanie do wykrywania wspomaganego komputerowo oparte na sztucznej inteligencji może poprawić wydajność radiologów, ale nie jest powszechnie stosowane”.

Guzki płucne, nieprawidłowe narośla w tkance płucnej, są powszechne i zwykle są wynikiem wcześniejszej infekcji. Jednak w niektórych przypadkach mogą wskazywać na rozwój raka, a zdjęcia rentgenowskie były ważnym narzędziem lekarzy w badaniach przesiewowych w kierunku tej choroby.

Coraz częściej sztuczna inteligencja jest wykorzystywana do pomocy w wykrywaniu i diagnozowaniu szeregu chorób i dobrze nadaje się do oceny szerokiego zakresu technologii obrazowania. Jednym z zastosowań w onkologii jest wykorzystanie sztucznej inteligencji do badania cyfrowych obrazów patologicznych, które szybko zyskuje akceptację jako metoda analizy próbek tkanek pod kątem obecności choroby. Jest to również cenne, gdy istnieje duża liczba próbek do oceny, aby oznaczyć tylko te próbki, które wymagają dalszej oceny przez patologa.

W ramach najnowszego badania, w jaki sposób ocena zdjęć rentgenowskich przez sztuczną inteligencję może wpłynąć na praktykę kliniczną w badaniach przesiewowych w kierunku guzków płuc, zespół badawczy zebrał kohortę obejmującą 10 476 pacjentów w średnim wieku 59 lat, którzy przeszli prześwietlenie klatki piersiowej w centrum badań przesiewowych między czerwcem 2020 r. a grudniem 2021 r. Pacjenci wypełniali samodzielnie zgłaszany kwestionariusz zdrowotny w celu określenia podstawowych cech, takich jak wiek, płeć, palenie tytoniu i przebyta historia raka płuc. Jedenaście procent pacjentów to obecni lub byli palacze.

„Ponieważ nasze badanie zostało przeprowadzone z pragmatycznym podejściem, uwzględniono prawie wszystkich zapisanych uczestników, co jest prawdziwym stanem klinicznym” – zauważył Goo.

Zarejestrowani pacjenci zostali losowo podzieleni po równo na grupę AI lub grupę bez AI. Zdjęcia rentgenowskie pierwszej grupy zostały przeanalizowane przez radiologów wspomaganych przez sztuczną inteligencję, podczas gdy zdjęcia rentgenowskie drugiej grupy zostały zinterpretowane bez wyników sztucznej inteligencji. Na potrzeby badania guzki lite o średnicy większej niż 8 milimetrów i guzki subsolidne z częścią stałą o średnicy 6 milimetrów zostały sklasyfikowane jako nadające się do działania i wymagają obserwacji klinicznej zgodnie z wytycznymi dotyczącymi badań przesiewowych w kierunku raka płuc.

Analiza danych wykazała, że ​​wskaźnik wykrywania guzków przy użyciu sztucznej inteligencji był prawie dwukrotnie wyższy niż w przypadku metod tradycyjnych (0,59% w porównaniu z 0,25%). Nie było różnic we wskaźnikach fałszywych skierowań między dwiema metodami. W sumie guzki w płucach stwierdzono u dwóch procent pacjentów.

Badacze zauważyli, że chociaż starszy wiek i historia raka płuc lub gruźlicy były związane z pozytywnymi zgłoszeniami, te i inne cechy zdrowotne nie miały wpływu na skuteczność systemu sztucznej inteligencji; sugeruje to, że użycie sztucznej inteligencji może być skuteczną pomocą w badaniach przesiewowych w różnych populacjach, nawet w przypadku chorych lub pooperacyjnych płuc.

„Nasze badanie dostarczyło mocnych dowodów na to, że sztuczna inteligencja może naprawdę pomóc w interpretacji radiografii klatki piersiowej. Przyczyni się to do skuteczniejszej identyfikacji chorób klatki piersiowej, zwłaszcza raka płuc, na wcześniejszym etapie” – powiedział Goo.

Opierając się na pozytywnych wynikach badania prześwietleń klatki piersiowej, zespół zwróci następnie uwagę na stworzenie podobnego badania z wykorzystaniem tomografii komputerowej (CT) klatki piersiowej, które również określi wyniki kliniczne i wydajność pracy klinicznej.