Рак легких, самый распространенный вид рака в мире, лечится лучевой терапией (ЛТ) почти в половине случаев. Планирование лучевой терапии — это ручной, ресурсоемкий процесс, который может занять от нескольких дней до нескольких недель, и даже высококвалифицированные врачи по-разному определяют, какое количество тканей подвергать облучению. Кроме того, ожидается, что нехватка практикующих врачей-радиологов и клиник во всем мире будет расти по мере роста заболеваемости раком.
Исследователи и сотрудники Brigham and Women's Hospital, работающие в рамках программы искусственного интеллекта в медицине Mass General Brigham, разработали и утвердили алгоритм глубокого обучения, который может идентифицировать и обрисовывать в общих чертах («сегментировать») опухоль немелкоклеточного рака легкого (NSCLC) . на компьютерной томографии (КТ) в течение нескольких секунд. Их исследование, опубликованное в The Lancet Digital Health , также демонстрирует, что онкологи-радиологи, использующие алгоритм в смоделированных клиниках, работают так же, как и врачи, не использующие алгоритм, но работают на 65 процентов быстрее.
«Самый большой пробел в переводе приложений ИИ в медицину — это неспособность изучить, как использовать ИИ для улучшения врачей-клиницистов и наоборот», — сказал соответствующий автор Рэймонд Мак, доктор медицины, из отделения радиационной онкологии Бригама. «Мы изучаем, как наладить партнерские отношения и сотрудничество между человеком и искусственным интеллектом, что приведет к лучшим результатам для пациентов. Преимущества этого подхода для пациентов включают большую согласованность в сегментации опухолей и ускоренное время лечения. Преимущества для клиницистов включают сокращение рутинных, но сложная компьютерная работа, которая может уменьшить выгорание и увеличить время, которое они могут проводить с пациентами».
Исследователи использовали изображения КТ 787 пациентов, чтобы научить свою модель отличать опухоли от других тканей. Они проверили производительность алгоритма, используя сканирование более 1300 пациентов из внешних наборов данных. Разработка и проверка алгоритма проводились в тесном сотрудничестве между учеными, работающими с данными, и онкологами-радиологами. Например, когда исследователи заметили, что алгоритм неправильно сегментирует КТ-сканы с участием лимфатических узлов, они переобучили модель, добавив больше таких сканов, чтобы повысить ее производительность.
Наконец, исследователи попросили восемь онкологов-радиологов выполнить задачи по сегментации, а также оценить и отредактировать сегментацию, созданную либо другим врачом-экспертом, либо алгоритмом (им не сказали, каким именно). Не было существенной разницы в производительности между совместными усилиями человека и ИИ и сегментацией, произведенной человеком (de novo). Интересно, что врачи работали на 65% быстрее и с меньшими отклонениями на 32% при редактировании сегментации, созданной ИИ, по сравнению с сегментацией, созданной вручную, даже если они не знали, какую именно сегментацию они редактировали. Они также оценили качество сегментации, нарисованной ИИ, более высоко, чем сегментацию, нарисованную экспертом в этом слепом исследовании.
В будущем исследователи планируют объединить эту работу с моделями искусственного интеллекта, которые они разработали ранее, которые могут идентифицировать «органы риска» получения нежелательного излучения во время лечения рака (например, сердце) и тем самым исключать их из лучевой терапии. Они продолжают изучать, как врачи взаимодействуют с ИИ, чтобы убедиться, что партнерство с ИИ помогает, а не вредит клинической практике, и разрабатывают второй, независимый алгоритм сегментации, который может проверять сегментацию как человека, так и ИИ.
«В этом исследовании представлена новая стратегия оценки моделей ИИ, в которой подчеркивается важность сотрудничества человека и ИИ», — сказал соавтор Хьюго Аэртс, доктор философии, из отдела радиационной онкологии. «Это особенно необходимо, потому что оценки in silico (смоделированные компьютером) могут давать результаты, отличные от клинических оценок. Наш подход может помочь проложить путь к клиническому развертыванию».
