Simply enter your keyword and we will help you find what you need.

What are you looking for?

Sztuczna inteligencja szybciej wykryje raka płuc

Nowe badania przeprowadzone przez Google pokazują, że uczenie się maszynowe z powodzeniem mogłoby zostać wykorzystane do szybszego wykrywania oznak raka płuc.

Wczesne ostrzeganie

Danial Tse, badacz z Google, opracował algorytm, który w testowaniu pokonał wielu przeszkolonych radiologów. Tse i jego współpracownicy przeszkolili algorytm głębokiego uczenia się, do wykrycia złośliwych guzków płuc w ponad 42 tysiącach skanów tomografii komputerowej. Wynikające z tego algorytmy wskazały o 11% mniej fałszywych wyników pozytywnych i o 5% mniej fałszywych wyników negatywnych niż ludzie. Praca ta została opisana w artykule opublikowanym w czasopiśmie Nature. (https://www.nature.com/articles/s41591-019-0447-x)

Zabójczy problem

W 2018 roku rak płuc zabił ponad 160 tys. osób w Stanach Zjednoczonych, co czyni go główną przyczyną śmierci z powodu raka. I choć tomografia komputerowa  może być ratującym życie elementem badań przesiewowych w kierunku raka, to często zdarza się, że są one niewiarygodne.

Wielka obietnica

Tse i koledzy twierdzą, że tomografia komputerowa może pomóc w zwiększeniu niezawodności badań przesiewowych raka płuc na całym świecie. Przyznają jednak, że badanie musi być potwierdzone na większej grupie pacjentów. Rzeczywiście, zainteresowanie wykorzystaniem AI do wykrywania wielu rodzajów nowotworów rośnie. Naukowcy udownili już na przykład, w jaki sposób uczenie maszynowe może być wykorzystane do wykrywania zarówno raka piersi, jak i raka skóry. 

Małe kroki

Wyniki dotychczasowych badań są ekscytujące. Powinny jednak być traktowane z pewną rezerwą jako małe postępy. Stosowanie AI w opiece zdrowotnej nadal stanowi wyzwanie ze względu na ochronę prywatności. Warto również zauważyć, że leczenie nowotworów to o wiele więcej niż tylko wykrywanie choroby. Na przykład określenie właściwego przebiegu leczenia może zależeć od szeregu czynników. A te z kolei znacznie różnią się w zależności od pacjenta, co znacznie utrudnia automatyzację tej części procesu.

Źródło: https://www.technologyreview.com