Рак легких, наиболее распространенный вид рака во всем мире, почти в половине случаев подвергается лучевой терапии (ЛТ). Планирование ЛТ - это ручной, ресурсоемкий процесс, который может занять от нескольких дней до недель, и даже высококвалифицированные врачи по-разному определяют, на какой объем ткани воздействовать облучением. Кроме того, ожидается, что нехватка специалистов в области радиационной онкологии и клиник по всему миру будет расти по мере роста заболеваемости раком. Исследователи и сотрудники Бригама и женской больницы, работающие в рамках программы искусственного интеллекта в медицине Mass General Brigham, разработали и апробировали алгоритм глубокого обучения, который может идентифицировать и очертить ("сегментировать") опухоль немелкоклеточного рака легкого (НМРЛ) на компьютерной томографии (КТ) в течение нескольких секунд.. Их исследование, опубликованное в Цифровое здоровье Ланцета, также демонстрирует, что радиационные онкологи, использующие алгоритм в смоделированных клиниках, работают так же хорошо, как и врачи, не использующие алгоритм, при этом работая на 65 процентов быстрее.
"Самый большой пробел в применении искусственного интеллекта в медицине - это неспособность изучить, как использовать искусственный интеллект для улучшения работы врачей-людей, и наоборот", - сказал автор-корреспондент Рэймонд Мак, доктор медицинских наук, из отделения радиационной онкологии Бригама. "Мы изучаем, как создать партнерские отношения и сотрудничество между человеком и искусственным интеллектом, которые приведут к лучшим результатам для пациентов. Преимущества этого подхода для пациентов включают большую последовательность в сегментации опухолей и сокращение сроков лечения. Преимущества для врачей включают сокращение рутинной, но сложной работы за компьютером, что может снизить эмоциональное выгорание и увеличить время, которое они могут проводить с пациентами ".
Исследователи использовали КТ-изображения 787 пациентов, чтобы обучить свою модель отличать опухоли от других тканей. Они протестировали производительность алгоритма, используя снимки более 1300 пациентов из все более внешних наборов данных. Разработка и валидация алгоритма предполагали тесное сотрудничество между специалистами по обработке данных и радиационными онкологами. Например, когда исследователи заметили, что алгоритм неправильно сегментирует КТ с участием лимфатических узлов, они переподготовили модель с большим количеством таких сканирований, чтобы улучшить ее производительность.
Наконец, исследователи попросили восемь радиационных онкологов выполнить задачи сегментации, а также оценить и отредактировать сегментации, созданные либо другим врачом-экспертом, либо алгоритмом (им не сказали, каким именно). Не было никакой существенной разницы в производительности между сотрудничеством человека и искусственного интеллекта и созданным человеком (снова) сегментации. Интересно, что врачи работали на 65 процентов быстрее и с 32 процентами меньшими вариациями при редактировании сегментации, созданной искусственным интеллектом, по сравнению с сегментацией, созданной вручную, даже несмотря на то, что они не знали, какую сегментацию они редактируют. Они также оценили качество сегментов, нарисованных искусственным интеллектом, более высоко, чем сегменты, нарисованные человеком-экспертом в этом слепом исследовании.
В дальнейшем исследователи планируют объединить эту работу с моделями искусственного интеллекта, которые они разработали ранее, которые могут идентифицировать "органы, подверженные риску" получения нежелательного излучения во время лечения рака (например, сердце), и тем самым исключить их из лучевой терапии. Они продолжают изучать, как врачи взаимодействуют с ИИ, чтобы гарантировать, что партнерские отношения с ИИ помогают, а не вредят клинической практике, и разрабатывают второй независимый алгоритм сегментации, который может проверять как человеческие, так и нарисованные ИИ сегментации.
"Это исследование представляет новую стратегию оценки моделей искусственного интеллекта, которая подчеркивает важность сотрудничества человека и искусственного интеллекта", - сказал соавтор Хьюго Аэртс, доктор философии, из отделения радиационной онкологии. "Это особенно необходимо, потому что в силико оценки (с компьютерным моделированием) могут давать результаты, отличные от клинических оценок. Наш подход может помочь проложить путь к клиническому внедрению".
Это исследование финансировалось Национальными институтами здравоохранения (U24CA194354, U01CA190234 и U01CA209414).
Комментарии