MIT & Mass General Hospital ໄດ້ພັດທະນາລະບົບ AI ທີ່ສາມາດກວດຫາມະເຮັງປອດ

ມະເຮັງປອດແມ່ນພະຍາດທີ່ຮ້າຍກາດ. ອີງ​ຕາມ​ການ ອົງການຈັດຕັ້ງອະນາໄມໂລກ, ມະເຮັງປອດແມ່ນໜຶ່ງໃນສາເຫດຂອງການເສຍຊີວິດທົ່ວໂລກຫຼາຍທີ່ສຸດ, ເຊິ່ງກວມເອົາເກືອບ 2.21 ລ້ານກໍລະນີໃນປີ 2020 ດຽວ. ທີ່ສໍາຄັນ, ພະຍາດສາມາດກ້າວຫນ້າ; ນັ້ນແມ່ນ, ສໍາລັບຫຼາຍໆຄົນ, ມັນອາດຈະເລີ່ມຕົ້ນເປັນພຽງແຕ່ອາການອ່ອນໆທີ່ບໍ່ໄດ້ປຸກ, ກ່ອນທີ່ຈະພັດທະນາຢ່າງໄວວາໄປສູ່ການວິນິດໄສທີ່ເປັນໄພຂົ່ມຂູ່ຕໍ່ຊີວິດ, ນໍາໄປສູ່ການເສຍຊີວິດ. ໂຊກດີ, ລະດັບການປິ່ນປົວທີ່ສຸມໃສ່ການຊ່ວຍເຫຼືອຄົນເຈັບທີ່ເປັນມະເຮັງປອດໄດ້ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນສອງທົດສະວັດທີ່ຜ່ານມາ. ຢ່າງໃດກໍ່ຕາມ, ການກວດພົບມະເຮັງໄວແມ່ນຍັງເປັນວິທີດຽວທີ່ຈະຫຼຸດລົງອັດຕາການຕາຍຢ່າງຫຼວງຫຼາຍ.

ຫນຶ່ງໃນຜົນສໍາເລັດທີ່ໂດດເດັ່ນໃນເວທີນີ້ແມ່ນການປະກາດທີ່ຜ່ານມາໂດຍ Massachusetts Institute of Technology (MIT) ແລະ Mass General Hospital (MGH) ກ່ຽວກັບການພັດທະນາຮູບແບບການຮຽນຮູ້ເລິກທີ່ມີຊື່ວ່າ "Sybil" ທີ່ສາມາດຖືກນໍາໃຊ້ເພື່ອຄາດຄະເນຄວາມສ່ຽງຕໍ່ການເປັນມະເຮັງປອດ, ການນໍາໃຊ້ຂໍ້ມູນ. ຈາກການສະແກນ CT ດຽວ. ໄດ້ ການສຶກສາ ໄດ້ຖືກຈັດພີມມາຢ່າງເປັນທາງການໃນວາລະສານ Clinical Oncology ໃນອາທິດແລ້ວນີ້, ແລະປຶກສາຫາລືກ່ຽວກັບວິທີ "ເຄື່ອງມືທີ່ສະຫນອງການປະເມີນຄວາມສ່ຽງຕໍ່ມະເຮັງໃນອະນາຄົດສ່ວນບຸກຄົນສາມາດສຸມໃສ່ວິທີການທີ່ມີຜົນປະໂຫຍດຫຼາຍທີ່ສຸດ." ດັ່ງນັ້ນ, ຜູ້ນໍາການສຶກສາໄດ້ສະເຫນີວ່າ "ຮູບແບບການຮຽນຮູ້ເລິກເຊິ່ງປະເມີນຂໍ້ມູນ LDCT ປະລິມານຕ່ໍາ [Low Dose Contrast CT] ສາມາດຖືກສ້າງຂຶ້ນເພື່ອຄາດຄະເນຄວາມສ່ຽງຕໍ່ບຸກຄົນໂດຍບໍ່ຈໍາເປັນຕ້ອງມີຂໍ້ມູນທາງດ້ານປະຊາກອນຫຼືທາງດ້ານການຊ່ວຍເພີ່ມເຕີມ."

ຮູບແບບເລີ່ມຕົ້ນດ້ວຍຫຼັກການພື້ນຖານ: "ຮູບພາບ LDCT ມີຂໍ້ມູນທີ່ຄາດຄະເນຄວາມສ່ຽງຂອງມະເຮັງປອດໃນອະນາຄົດນອກເຫນືອຈາກລັກສະນະທີ່ສາມາດກໍານົດໄດ້ໃນປະຈຸບັນເຊັ່ນ: ຕ່ອມປອດ." ດັ່ງນັ້ນ, ນັກພັດທະນາໄດ້ຊອກຫາວິທີ "ພັດທະນາແລະກວດສອບລະບົບການຮຽນຮູ້ເລິກເຊິ່ງທີ່ຄາດຄະເນຄວາມສ່ຽງຕໍ່ການເປັນມະເຮັງປອດໃນອະນາຄົດເຖິງ 6 ປີຈາກການສະແກນ LDCT ດຽວ, ແລະປະເມີນຜົນກະທົບທາງດ້ານຄລີນິກທີ່ເປັນໄປໄດ້."

ໂດຍລວມແລ້ວ, ການສຶກສາໄດ້ຮັບຜົນສໍາເລັດຢ່າງເດັ່ນຊັດ, ມາຮອດປັດຈຸບັນ: Sybil ສາມາດຄາດຄະເນຄວາມສ່ຽງຕໍ່ມະເຮັງປອດຂອງຄົນເຈັບໃນອະນາຄົດໃນຂອບເຂດທີ່ແນ່ນອນ, ໂດຍນໍາໃຊ້ຂໍ້ມູນຈາກພຽງແຕ່ຫນຶ່ງ LDCT.

ໂດຍບໍ່ຕ້ອງສົງໃສ, ຄໍາຮ້ອງສະຫມັກທາງດ້ານຄລີນິກແລະຜົນກະທົບສໍາລັບເຕັກໂນໂລຢີນີ້ແມ່ນຍັງອ່ອນ. ເຖິງແມ່ນວ່າຜູ້ ນຳ ການສຶກສາຕົກລົງເຫັນດີວ່າວຽກງານທີ່ ສຳ ຄັນຈະຕ້ອງໄດ້ເຮັດເພື່ອຄົ້ນຫາວິທີການ ນຳ ໃຊ້ເຕັກໂນໂລຢີນີ້ໃນການປະຕິບັດທາງຄລີນິກຕົວຈິງ - ໂດຍສະເພາະກ່ຽວກັບການພັດທະນາລະດັບຄວາມ ໝັ້ນ ໃຈໃນເຕັກໂນໂລຢີ, ເຊິ່ງແພດແລະຄົນເຈັບຈະມີຄວາມຮູ້ສຶກປອດໄພ. ຜົນ​ຜະ​ລິດ​ຂອງ​ລະ​ບົບ​.

ຢ່າງໃດກໍຕາມ, ພື້ນຖານຂອງສູດການຄິດໄລ່ແມ່ນຍັງມີອໍານາດ incredibly ແລະ entails ການປ່ຽນແປງເກມທີ່ມີທ່າແຮງໃນ realm ຂອງການວິນິດໄສຄາດຄະເນ.

ມາດຕະການວິນິດໄສບໍ່ເຄີຍມີພະລັງຫຼາຍປານນີ້. ຄວາມຈິງທີ່ວ່າເຄື່ອງມືສາມາດໃຊ້ CT scan ພຽງຄັ້ງດຽວເພື່ອຄາດຄະເນການທໍາງານຂອງພະຍາດໃນໄລຍະຍາວສາມາດແກ້ໄຂບັນຫາຫຼາຍຢ່າງ - ສິ່ງທີ່ສໍາຄັນທີ່ສຸດແມ່ນການເຮັດໃຫ້ການປິ່ນປົວໄວແລະອັດຕາການຕາຍຫຼຸດລົງ.

Pundits, ໃນຕອນຕົ້ນ blush, ອາດຈະຍູ້ຕ້ານກັບລະບົບເຫຼົ່ານີ້, ໃຫ້ຂໍ້ສັງເກດວ່າບໍ່ມີລະບົບ AI ອາດຈະກົງກັບຄໍາຕັດສິນຂອງສານແລະ prowess ທາງດ້ານການຊ່ວຍໄດ້ດີພຽງພໍທີ່ຈະທົດແທນການແພດຂອງມະນຸດ. ແຕ່ຈຸດປະສົງຂອງລະບົບເຫຼົ່ານີ້ບໍ່ຈໍາເປັນເພື່ອທົດແທນຄວາມຊໍານານຂອງແພດຫມໍ, ແຕ່ແທນທີ່ຈະເປັນການຂະຫຍາຍການເຮັດວຽກຂອງແພດ.

ລະບົບເຊັ່ນ Sybil ສາມາດຖືກນໍາໃຊ້ເປັນເຄື່ອງມືແນະນໍາ, ຊີ້ບອກຄວາມເປັນໄປໄດ້ກ່ຽວກັບ CTs ກັບແພດຫມໍ, ຜູ້ທີ່ສາມາດນໍາໃຊ້ຄໍາຕັດສິນທາງຄລີນິກຂອງຕົນເອງເພື່ອເຫັນດີຫຼືບໍ່ເຫັນດີກັບຄໍາແນະນໍາຂອງ Sybil. ນີ້ບໍ່ພຽງແຕ່ຈະປັບປຸງການສົ່ງຜ່ານທາງຄລີນິກ, ແຕ່ຍັງສາມາດປະຕິບັດເປັນຂະບວນການ "ກວດສອບ" ທີສອງແລະອາດຈະເພີ່ມຄວາມຖືກຕ້ອງຂອງການວິນິດໄສ.

ບໍ່ຕ້ອງສົງໃສ, ຍັງມີຫຼາຍວຽກທີ່ຕ້ອງເຮັດຢູ່ໃນເວທີນີ້. ນັກວິທະຍາສາດ, ນັກພັດທະນາ, ແລະນັກປະດິດສ້າງມີການເດີນທາງຍາວໄກກ່ອນຫນ້າພວກເຂົາບໍ່ພຽງແຕ່ເຮັດໃຫ້ສົມບູນແບບຂອງລະບົບແລະລະບົບຂອງມັນເອງ, ແຕ່ຍັງຢູ່ໃນການນໍາທາງໃນສະຫນາມກິລາ hyper-nuanced ຂອງການນໍາເຕັກໂນໂລຢີນີ້ເຂົ້າໃນການນໍາໃຊ້ທາງດ້ານການຊ່ວຍຕົວຈິງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ເຕັກໂນໂລຢີ, ຄວາມຕັ້ງໃຈ, ແລະທ່າແຮງທີ່ມັນຖືໄດ້ກ່ຽວກັບການດູແລຄົນເຈັບທີ່ດີກວ່າ, ຖ້າມັນຖືກພັດທະນາຢ່າງປອດໄພ, ມີຈັນຍາບັນ, ແລະມີປະສິດທິພາບ, ແນ່ນອນວ່າການວິນິດໄສທີ່ຈະມາເຖິງ.