به گزارش پایگاه اطلاع رسانی بنیان، توموگرافی کامپیوتری با دوز پایین (LDCT) برای غربالگری سرطان ریه موثر است، اگرچه اکثر افراد واجد شرایط غربالگری نمی‌شوند. ابزارهایی که ارزیابی خطر ابتلا به سرطان آینده را شخصی‌سازی می‌کنند، می‌توانند رویکردها را به سمت کسانی که بیشترین سود را دارند متمرکز کنند. ما فرض کردیم که یک مدل یادگیری عمیق که کل داده‌های LDCT حجمی را ارزیابی می‌کند، می‌تواند برای پیش‌بینی خطر فردی بدون نیاز به داده‌های جمعیتی یا بالینی اضافی ساخته شود. سرطان ریه عامل اصلی مرگ و میر ناشی از سرطان در ایالات متحده است و از هر پنج مرگ و میر ناشی از سرطان، یک مورد را شامل می‌شود.
اگر بیماری در مراحل اولیه، زمانی که کوچک باشد و قبل از گسترش یافت شود، احتمال درمان موفقیت آمیز آن بیشتر است. با این حال، علائم سرطان ریه معمولاً تا زمانی که بیماری در مراحل پیشرفته باشد ظاهر نمی‌شود. در حال حاضر، اسکن‌های سی تی اسکن با دوز کم (LDCT) از ریه رایج ترین روش غربالگری بیماران برای این بیماری است. گروه ویژه خدمات پیشگیرانه ایالات متحده LDCT سالانه را برای افراد بالای 50 تا 80 سال با سابقه 20 بسته سال مصرف سیگار توصیه می‌کند که یا در حال حاضر سیگار می‌کشند یا در 15 سال گذشته سیگار را ترک کرده‌اند. با این حال، کمتر از 10 درصد از بیماران واجد شرایط سالانه غربالگری می‌شوند.
Sybil  بر روی فرآیند غربالگری بیشتر استوار است و داده‌های تصویر LDCT را بدون کمک رادیولوژیست تجزیه و تحلیل می‌کند تا خطر ابتلای بیمار به سرطان ریه آینده را طی شش سال پیش‌بینی کند. این مطالعه که در مجله انکولوژی بالینی منتشر شده است، جزئیات چگونگی اعتبارسنجی مدل هوش مصنوعی را بر روی سه مجموعه داده مستقل ارائه می‌کند: مجموعه‌ای از بیش از 6000 LDCT از آزمایش ملی غربالگری ریه  (NLST)، بیش از 8000 LDCT از بیمارستان عمومی ماساچوست و بیش از 12000 مورد از CGMH. این ابزار قادر به پیش بینی دقیق خطر سرطان ریه در هر سه مجموعه بود. این تیم دقت Sybil را با استفاده از "منطقه زیر منحنی" (AUC) تعیین کردند، که معیاری برای تشخیص میزان تشخیص بیماری و نمونه‌های طبیعی توسط یک آزمایش است.
با 1.0 به عنوان بالاترین امتیاز ممکن، Sybil سرطان را در عرض یک سال با AUC 0.92 برای شرکت کنندگان NLST، 0.86 برای مجموعه داده‌های بیمارستان عمومی ماساچوست و 0.94 برای مجموعه داده‌های CGMH پیش بینی کرد. این برنامه سرطان ریه را طی شش سال با AUCهای 0.75، 0.81 و 0.80 به ترتیب برای سه مجموعه داده پیش بینی کرد. این تیم به این نتیجه رسیدند که Sybil می‌تواند خطر ابتلا به سرطان ریه در آینده را از طریق یک اسکن LDCT پیش‌بینی کند تا غربالگری شخصی‌شده را بیشتر کند، اما خاطرنشان کردند که برای درک کاربردهای بالینی این ابزار به مطالعات بیشتری نیاز است.
پایان مطلب/