ხელოვნური ინტელექტი ონკოლოგიაში – რა კეთდება ახლა და რა გველის მომავალში?
ამ სტატიაში
ხელოვნური ინტელექტი (YZ) მრავალი წელია ონკოლოგიის სფეროში გამოიყენება; თუმცა, ბოლო კვლევები აჩვენებს, რომ YZ-ს კიბოს დიაგნოსტიკასა და მკურნალობაში მრავალი დამატებითი გამოყენება შეუძლია შემოგვთავაზოს. ონკოლოგიაში YZ-ის გამოყენება ბოლო რამდენიმე წლის განმავლობაში იმედისმომცემი მომავლიდან რეალობად იქცა და მიმდინარე კვლევები აჩვენებს, რომ YZ-ს კიბოს მქონე პაციენტების მოვლაში მრავალი დამატებითი გამოყენება შეუძლია.
ონკოლოგიურ პრაქტიკაში ამჟამად გამოყენებული YZ პროგრამები უმეტესად კიბოს დიაგნოსტიკის სფეროში გვეხმარება. მანქანური სწავლისა და ღრმა სწავლის მოდელები კიბოს დიაგნოსტიკის პროცესის სიზუსტისა და ეფექტიანობის გასაუმჯობესებლად გამოიყენება.
ქვემოთ შეგიძლიათ ნახოთ „ხელოვნური ინტელექტის“, „მანქანური სწავლისა“ და „ღრმა სწავლის“ ცნებების მოცულობა.
ხელოვნური ინტელექტი დღეს
აშშ-ის სურსათისა და წამლის ადმინისტრაციამ (FDA) ონკოლოგიაში გამოსაყენებლად მრავალი YZ ტექნოლოგია დაამტკიცა; ყველაზე საყურადღებო გამოყენებები რადიოლოგიის სფეროშია.
2021 წელს ჩატარებული ანალიზის თანახმად, ონკოლოგიაში გამოსაყენებლად დამტკიცებული YZ-სთან დაკავშირებული მოწყობილობები ყველაზე ხშირად
- რადიოლოგიაში (54,9%) და
- პათოლოგიაში (19,7%) გამოიყენება და
- ეს მოწყობილობები ყველაზე ხშირად ძუძუს კიბოსთვის (31%) გამოიყენება.
ძუძუს რადიოლოგები YZ-ს
- ძუძუს სიმკვრივის განსაზღვრის,
- მამოგრაფიის ხარისხის შეფასების,
- მამოგრამების ძუძუს კიბოს დაბალი, საშუალო ან მაღალი რისკის კატეგორიებად კლასიფიცირების,
- ძუძუს კიბოს გამოვლენის
- და ასევე ათეროსკლეროზული დაავადების (გულ-სისხლძარღვების დახშობის) რისკის მქონე პირების გამოვლენის მსგავს ამოცანებში სულ უფრო მეტად იყენებენ.
YZ-ს ასევე შეუძლია დამატებითი ინფორმაცია მოგვაწოდოს იმის შესახებ, არის თუ არა ძუძუს ულტრაბგერითი კვლევისას აღმოჩენილი ცვლილება კიბო.
YZ ეფექტიანი აღმოჩნდა კოლორექტული კიბოს სკრინინგსა და დიაგნოსტიკაშიც. 2021 წელს FDA-მ GI Genius-ის ბაზარზე დაშვება დაამტკიცა და ის გახდა პირველი მოწყობილობა, რომელიც კოლონოსკოპიის დროს დაზიანებების გამოსავლენად YZ-ს იყენებს.
დაკავშირებული თემები:
ძუძუს ციფრული ტომოსინთეზისთვის ხელოვნური ინტელექტის ტექნოლოგიამ FDA-ს ნებართვა მიიღო
გარდა ამისა, YZ ზოგიერთ პათოლოგიურ ლაბორატორიაში ციფრული პათოლოგიური სლაიდების წასაკითხად და კიბოს დიაგნოზების დასაზუსტებლად გამოიყენება, ამ სფეროში მრავალწლიანი კვლევების შემდეგ.
ის საკითხები, რომლებსაც აქამდე შევეხეთ, მთლიანად გამოსახულებების ამოცნობას ეხებოდა. თუმცა, YZ-ის კიბოს ახალი პრეპარატების შემუშავებაში გამოყენებაც დაიწყო.
ზოგიერთი ფარმაცევტული კომპანია ონკოლოგიაში ახალი და უსაფრთხო მოლეკულური სამიზნეების აღმოსაჩენად YZ-ს იყენებს, სხვა კომპანიები კი სრულიად ახალი წამლის კანდიდატი მოლეკულების შესაქმნელად YZ-ს ზოგჯერ მოლეკულურ მოდელირებას უთავსებენ. წამლების აღმოჩენის სფეროში YZ-ის მომავალი ძალიან ნათელია.
YZ ასევე სხივური თერაპიის დაგეგმვის ეფექტიანობის გასაზრდელად და სიმსივნისა და ორგანოების კონტურების განსასაზღვრად გამოიყენება, რითაც მკურნალობას აჩქარებს და დასხივების მიწოდების ეფექტიანობასა და უსაფრთხოებას ზრდის.
დამხმარე ან პალიატიური მოვლის კონტექსტში, ხელოვნური ინტელექტი (YZ) დისტანციურად მეთვალყურეობაში მყოფი პაციენტების მიერ თავად მოწოდებული სასიცოცხლო მაჩვენებლების შესაფასებლად გამოიყენება. ბუნებრივი ენის დამუშავებისა (NLP) და მანქანური სწავლის (ML) მოდელების მეშვეობით ჯანმრთელობის უარყოფითი ტენდენციების ადრეულ ეტაპზე გამოვლენა და საჭირო გაფრთხილებების სწრაფად გაცემა შეიძლება. ამ მოდელებს ჯანმრთელობის მდგომარეობის კრიტიკული ცვლილებების ავტომატურად ამოცნობა და სწრაფი ჩარევისთვის საჭირო ინფორმაციის მიწოდებით პაციენტების მოვლის ხარისხის გაზრდა შეუძლიათ.
ხელოვნური ინტელექტი მომავალში
მრავალი მიმდინარე კვლევა არსებობს, რომლებიც ონკოლოგიაში YZ-ის დამატებითი გამოყენების პოტენციალს აჩვენებს.
ძუძუს გამოსახულებითი კვლევები YZ-ის კვლევებისთვის ხელსაყრელ სფეროდ მიიჩნევა და მომავალში მისი გამოყენება, ოჯახის ისტორიისგან დამოუკიდებლად ან ოჯახის ისტორიასთან ერთად, მოკლე და გრძელვადიან პერიოდში ძუძუს კიბოს რისკის განსაზღვრის მნიშვნელოვან ინსტრუმენტად შეიძლება იქცეს.
მკვლევრები შეისწავლიან YZ-ის მიერ მუცლის ღრუს გამოსახულებებისა და პაციენტების ხანგრძლივი ელექტრონული სამედიცინო ჩანაწერების გამოყენებით პანკრეასის კიბოს მაღალი რისკის მქონე პაციენტების გამოვლენის შესაძლებლობას. ამან მაღალი რისკის მქონე ადამიანებისთვის სკრინინგის პროგრამების შექმნა შეიძლება გახადოს შესაძლებელი, რადგან მაღალი სიკვდილიანობის მქონე დაავადების ადრეული დიაგნოსტიკის შესაძლებლობას იძლევა.
YZ-მ საბოლოოდ შეიძლება კიბოს მოლეკულური თავისებურებები და ბიოლოგიური მარკერები შეაფასოს, რამაც ზოგიერთ შემთხვევაში ინვაზიური ბიოფსიისა და შედეგების ლოდინის საჭიროება შეიძლება მოხსნას.
ეს სისხლის აღებით ან MRG-ის (მაგნიტურ-რეზონანსული გამოსახულების) რადიომიკის გამოყენებით ჩატარებული არაინვაზიური "ვირტუალური ბიოფსიის" მეშვეობით შეიძლება გახდეს შესაძლებელი; მაგალითად, ღრმა სწავლის მოდელს შეუძლია თავის ტვინის MRG გააანალიზოს და დაადგინოს, აქვს თუ არა თავის ტვინის სიმსივნეს კონკრეტული გენეტიკური მუტაცია, როგორიცაა IDH1 ან BRAF.
ონკოლოგიაში ომიკური მიდგომა, ისეთი დისციპლინების მეშვეობით, როგორიცაა გენომიკა (გენომის მეცნიერება), ტრანსკრიპტომიკა (ტრანსკრიპტომის მეცნიერება), პროტეომიკა (პროტეომის მეცნიერება) და მეტაბოლომიკა (მეტაბოლომის მეცნიერება), კიბოს ბიოლოგიის სიღრმისეულ გაგებას ისახავს მიზნად. ეს მიდგომა მიზნად ისახავს იმის გაგებას, თუ როგორ ფუნქციონირებს კიბოს უჯრედები გენეტიკურ და მოლეკულურ დონეზე, და კიბოს მკურნალობის უფრო ეფექტიანი სტრატეგიების შემუშავებას. ომიკური მიდგომა გზას უხსნის ინდივიდუალიზებულ მედიცინასა და კიბოს უფრო მიზანმიმართულ მკურნალობებს, რითაც მკურნალობის ეფექტიანობა იზრდება და გვერდითი მოვლენები მცირდება.
ხელოვნური ინტელექტის ახალი ერა ChatGPT-სთან ერთად
ახალი და დიდი ნაბიჯის სახით, ChatGPT მსგავსი დიდი ენობრივი მოდელები (BDM) საინტერესო მიღწევაა, რომელსაც ონკოლოგიის სფეროში გამოყენების პოტენციალი აქვს.
არსებობს კვლევები, რომლებიც აჩვენებს, რომ ChatGPT-ის ამჟამინდელ მოდელებს სამედიცინო საკითხებზე კარგი სიზუსტით პასუხის გაცემა შეუძლიათ, თუმცა ეს შედეგები მაღალი ხარისხის რეალური მონაცემთა ნაკრებების გამოყენებით უფრო სისტემატურად უნდა დადასტურდეს.
საავადმყოფოებისა და სამედიცინო ცენტრების მიერ მაღალი ხარისხის დიდი ენობრივი მოდელების (BDM) გასაწვრთნელად, რომლებიც ლაბორატორიულ შედეგებს, სკანირებებსა და წინა სამედიცინო ისტორიას მოიცავს, ახლო მომავალში პეტაბაიტობით სამედიცინო ონკოლოგიურ მონაცემებზე წვდომის შესაძლებლობამ ონკოლოგიაში YZ-ის გამოყენება შეიძლება მნიშვნელოვნად წინ წასწიოს. მონაცემებზე ასეთმა წვდომამ კიბოს დიაგნოსტიკის, მკურნალობისა და კვლევისთვის უფრო ეფექტიანი და ინდივიდუალიზებული YZ მოდელების შექმნა შეიძლება გახადოს შესაძლებელი, რითაც პაციენტებზე ზრუნვასა და მკურნალობის შედეგებს გააუმჯობესებს.
ChatGPT-ის მაგალითები ონკოლოგიაში
ამ წლის ადრეულ პერიოდში გამოქვეყნებულ კვლევაში Haver-მა და მისმა გუნდმა დაადგინეს, რომ ChatGPT ძუძუს რადიოლოგების მიერ დამტკიცებულ ძუძუს კიბოს სკრინინგისა და პრევენციის საკითხებს 88% სიზუსტით პასუხობდა.
2023 წლის აგვისტოში გამოქვეყნებულმა ორმა კვლევამ აჩვენა, რომ ჩატბოტებს სხვადასხვა ტიპის კიბოს შესახებ კითხვებზე მაღალი სიზუსტით პასუხის გაცემა შეუძლიათ, თუმცა ამ ტექნოლოგიას ჯერ კიდევ აქვს შეზღუდვები.
ამ კვლევებიდან ერთ-ერთში Pan-მა და მისმა გუნდმა შეაფასეს ჩატბოტების პასუხები კანის, კოლორექტული, პროსტატის, ფილტვისა და ძუძუს კიბოს შესახებ ინტერნეტში ყველაზე ხშირად ძებნილ კითხვებზე. ჩატბოტები ზოგადად მაღალი ხარისხის ინფორმაციას იძლეოდნენ, თუმცა ეს ინფორმაცია ყოველთვის პრაქტიკულ მოქმედებად ვერ გარდაიქმნებოდა და უნივერსიტეტის კითხვის დონეზე იყო დაწერილი.
მეორე კვლევაში Chen-მა და მისმა გუნდმა აჩვენეს, რომ ჩატბოტის პასუხები კიბოს მკურნალობის შესახებ აშშ-ის ეროვნული ყოვლისმომცველი კიბოს ქსელის (US-NCCN) სახელმძღვანელოების რეკომენდაციებს ყოველთვის არ შეესაბამებოდა. ჩატბოტს ძუძუს, პროსტატისა და ფილტვის კიბოს შესახებ კითხვების 98%-ზე მკურნალობის სულ მცირე ერთი რეკომენდაციის მიწოდება შეეძლო და ყველა ეს პასუხი სულ მცირე ერთ US-NCCN-თან შესაბამის რეკომენდაციას შეიცავდა. თუმცა, პასუხების 34,3% სულ მცირე ერთ შეუსაბამო რეკომენდაციას შეიცავდა, ხოლო 12,5% "ჰალუცინირებული" იყო (ანუ არცერთი რეკომენდებული მკურნალობის ნაწილს არ წარმოადგენდა).
YZ-ის გამოყენების კიდევ ერთი სფერო ბუნებრივი ენის დამუშავების მოდელებით კიბოს მქონე პაციენტების გადარჩენის ალბათობის პროგნოზირებაა. Nunez-მა და მისმა გუნდმა დაადასტურეს, რომ ამ მოდელებს პაციენტის საწყისი ონკოლოგიური კონსულტაციიდან მიღებული მონაცემების საფუძველზე მხოლოდ გადარჩენის შედეგების პროგნოზირება შეეძლოთ.
YZ-ის ოპტიმიზაცია კლინიკური გამოყენებისთვის
ექსპერტები აღნიშნავენ, რომ კლინიკურ ონკოლოგიაში ხელოვნური ინტელექტის (YZ) გამოყენების ოპტიმიზაციისთვის მთელი რიგი შეზღუდვებისა და საკითხების განხილვაა საჭირო.
ეთიკური თვალსაზრისით, YZ მოდელები და YZ-ით აღჭურვილი სამედიცინო მოწყობილობები მრავალფეროვანი მონაცემთა ნაკრებების გამოყენებით უნდა შემუშავდეს და კლინიკურ პრაქტიკაში გამოყენებისას უზრუნველყოფილი უნდა იყოს, რომ სწორად წარმოადგენდნენ იმ პაციენტთა ჯგუფებს, რომლებშიც გამოიყენებენ. წინააღმდეგ შემთხვევაში ამ მოდელებმა და მოწყობილობებმა შეიძლება მიკერძოება და ჯანდაცვის უთანასწორობა გაზარდოს.
კვლევისა და განვითარების (Ar-Ge) ეტაპზე დიდი და მრავალფეროვანი მონაცემთა ნაკრებების გამოყენების ერთ-ერთი დაბრკოლება სამედიცინო ცენტრების მონაცემების გაზიარების მიმართ ყოყმანია.
უნდა ვიპოვოთ მონაცემების გაზიარების ნორმად ქცევისა და, იდეალურ შემთხვევაში, პაციენტების მხარდაჭერით წახალისების გზები, ან შევიმუშაოთ სწავლების ახალი ალგორითმები YZ მოდელების ადგილობრივად გასაწვრთნელად, სხვადასხვა ცენტრის მოდელების გასაერთიანებლად და შემდეგ გაერთიანებული მოდელების სიზუსტის დასადასტურებლად.
მიუხედავად ყველა ამ წინსვლისა, აუცილებელია მრავალი არსებული მოდელის კლინიკურ პრაქტიკაში შეფასება.
თუ YZ მოდელი თაროზე დევს, ის მხოლოდ მოდელია. რეალურ ონკოლოგიაში YZ უნდა იყოს კლინიკურ მოვლაში გამოყენებული მოდელი, რომელიც ექიმებს ღირებულებას აძლევს და პაციენტებისა და ჯანდაცვის სისტემის შედეგებს აუმჯობესებს. უნდა განისაზღვროს ამ მოდელების გამოყენებადობა, მისაღებობა და უსაფრთხოება, ხოლო მათი გავლენის გასაგებად მიმდინარე შეფასების პროცესებია საჭირო.
ამჟამად კლინიკურ გარემოში YZ მოდელების დანერგვას ზღუდავს განხორციელების სირთულეები; მათ შორისაა
- YZ მოდელების ელექტრონული სამედიცინო ჩანაწერების პროგრამულ უზრუნველყოფაში ინტეგრირების სირთულეები,
- მრავალ YZ მოდელში ინტუიციური მომხმარებლის ინტერფეისების ნაკლებობა და
- ზოგიერთი უახლესი მოდელის გაწვრთნის მაღალი ხარჯები.
წყაროები
2. Artificial intelligence and machine learning (AI/ML)-enabled medical devices. US Food and Drug Administration. გამოქვეყნდა 2022 წლის 5 ოქტომბერს. წვდომის თარიღი: 2023 წლის 24 სექტემბერი.
3. Luchini, C., Pea, A. & Scarpa, A. Artificial intelligence in oncology: Current applications and future perspectives. Br J Cancer. 2022;126:4-9. doi:10.1038/s41416-021-01633-1
4. Schaffter T, Buist DSM, Lee CI, et al. Evaluation of combined artificial intelligence and radiologist assessment to interpret screening mammograms. JAMA Netw Open. 2020;3(3):e200265. doi:10.1001/jamanetworkopen.2020.0265
5. Arasu VA, Habel LA, Achacoso NS, et al. Comparison of mammography AI algorithms with a clinical risk model for 5-year breast cancer risk prediction: An observational study. Radiology. 2023;307:5. https://doi.org/10.1148/radiol.222733
6. Shen Y, Shamout FE, Oliver JR, et al. Artificial intelligence system reduces false-positive findings in the interpretation of breast ultrasound exams. Nat Commun. 2021;12(1):5645. doi:10.1038/s41467-021-26023-2
7. Mansur A, Saleem Z, Elhakim T, Daye D. Role of artificial intelligence in risk prediction, prognostication, and therapy response assessment in colorectal cancer: Current state and future directions. Front Oncol. 2023;13:1065402. doi:10.3389/fonc.2023.1065402
8. FDA authorizes marketing of first device that uses artificial intelligence to help detect potential signs of colon cancer. US Food and Drug Administration. გამოქვეყნდა 2021 წლის 9 აპრილს. წვდომის თარიღი: 2023 წლის 24 სექტემბერი.
9. Senthil Kumar K, Miskovic V, Blasiak A, et al. Artificial intelligence in clinical oncology: From data to digital pathology and treatment. Am Soc Clin Oncol Educ Book. 2023;43:e390084. doi:10.1200/EDBK_390084
10. You Y, Lai X, Pan Y, et al. Artificial intelligence in cancer target identification and drug discovery. Signal Transduct Target Ther. 2022;7(1):156. doi:10.1038/s41392-022-00994-0
11. Wang L, Song Y, Wang H, et al. Advances of artificial intelligence in anti-cancer drug design: A review of the past decade. Pharmaceuticals. 2023;16(2):253. doi:10.3390/ph16020253
12. Hindocha S, Zucker K, Jena R, et al. Artificial intelligence for radiotherapy auto-contouring: Current use, perceptions of and barriers to implementation. Clinical Oncology. 2023;35(4):P219-226. doi:10.1016/j.clon.2023.01.014
13. Qureshi TA, Javed S, Sarmadi T, Pandol SJ, Li D. Artificial intelligence and imaging for risk prediction of pancreatic cancer: A narrative review. Chin Clin Oncol. 2022;11(1):1. doi:10.21037/cco-21-117
14. Haver HL, Ambinder EB, Bahl M, Oluyemi ET, Jeudy J, Yi PH. Appropriateness of breast cancer prevention and screening recommendations provided by ChatGPT. Radiology. 2023;307(4):e230424. doi:10.1148/radiol.230424
15. Pan A, Musheyev D, Bockelman D, Loeb S, Kabarriti AE. Assessment of artificial intelligence chatbot responses to top searched queries about cancer. JAMA Oncol. ონლაინ გამოქვეყნდა 2023 წლის 24 აგვისტოს. doi:10.1001/jamaoncol.2023.2947
16. Chen S, Kann BH, Foote MB, et al. Use of artificial intelligence chatbots for cancer treatment information. JAMA Oncol. ონლაინ გამოქვეყნდა 2023 წლის 24 აგვისტოს. doi:10.1001/jamaoncol.2023.2954
17. Nunez J-J, Leung B, Ho C, Bates AT, Ng RT. Predicting the survival of patients with cancer from their initial oncology consultation document using natural language processing. JAMA Netw Open. ონლაინ გამოქვეყნდა 2023 წლის 27 თებერვალს. doi:10.1001/jamanetworkopen.2023.0813
ეს სტატია სასარგებლო იყო თქვენთვის?
თქვენი გამოხმაურება გვეხმარება შინაარსის გაუმჯობესებაში.
მკითხველთა კომენტარები
გაგვიზიარეთ თქვენი კომენტარი
თქვენი სახელი და კომენტარი მხოლოდ ადმინისტრატორის დამტკიცების შემდეგ გამოქვეყნდება. ელფოსტის მისამართი ვიზიტორებს არასოდეს ეჩვენებათ.
პირველმა დაწერეთ კომენტარი.