Нови наоди за предвидување на ризикот од рак на белите дробови
Ракот на белите дробови останува број 1 најсмртоносен рак во светот, иако податоците покажуваат дека бројот на нови случаи на рак на белите дробови, како и бројот на смртни случаи од рак на белите дробови, е во континуиран пад. Ова првенствено се должи на тоа што повеќе луѓе одлучуваат да се откажат од пушењето, но и поради новите наоди во врска со раното откривање и лекување.
Научниците од различни институции, како што се Технолошкиот институт во Масачусетс (Кембриџ), Медицинскиот факултет Харвард (Бостон) и Универзитетот Чанг Гунг (Тајван), дојдоа до откритија во врска со предвидувањето на ракот на белите дробови. Извештајот беше спроведен од Питер Г. Михаел и Џереми Волвенд како први коавтори, и Лудвиг Карстенс, Флоријан Џ.
Тие го започнаа своето истражување со оваа премиса:
Компјутеризирана томографија со ниски дози (LDCT) за скрининг за рак на белите дробови е ефикасна, иако повеќе луѓе не се испитуваат. Алатките кои обезбедуваат персонализирана идна проценка на ризикот од рак би можеле да ги фокусираат пристапите кон оние кои најверојатно ќе имаат корист. Претпоставивме дека може да се изгради модел за длабоко учење кој ги проценува сите волуметриски податоци за LDCT за да го предвиди индивидуалниот ризик без да бара дополнителни демографски или клинички податоци.
Врз основа на LDCT од Националното испитување за скрининг на белите дробови (NLST), споменатите научници развија модел наречен Сибил.
Моделот беше тестиран на 6.282 LDCT снимки од учесниците од NLST, 8.821 од Општата болница во Масачусетс (MGH) и 12.280 од Меморијалната болница Чанг Гунг. Избраните учесници имаа разновидна историја на пушење, вклучително и непушачи.
Доколку ве интересираат точните бројки и проценти и знаете како да ги толкувате, ве охрабруваме да ја погледнете оригиналната статија. Сумирано, ова е најважното од статијата:
Сибил може точно да го предвиди идниот ризик од рак на белите дробови на поединецот од едно LDCT испитување за да се овозможи понатамошен персонализиран скрининг.
Сега, она што е изненадува е дека дијагнозата на рак на белите дробови рапидно се зголемува кај непушачите и кај оние кои ретко пушат, што е уште една причина зошто скринингот треба да стане подостапен и поефикасен.
Постои огромен јаз помеѓу испитаната група и заболената популација. Толку огромен што над 50% од жените на кои им е дијагностициран рак на белите дробови во светот се непушачи, во споредба со 15-20% од мажите непушачи.
Ова е и главната причина за здружување на силите на NLST со научници од Тајван, каде што ги испитуваа и непушачите. Како што се испостави, софистицираната технологија не беше единствената грижа; ангажирањето на луѓето за долгорочни прегледи беше уште еден предизвик кој требаше да се надмине.
Како работи Сибил?
Како што беше прикажано во претходните години, две големи контролирани испитувања, NLST и Nelson, и двете базирани на LDCT, се покажаа ефикасни во скринингот за рак на белите дробови (LCS), со тоа што придонесоа за 20% и 24% намалување на смртноста од рак на белите дробови.
Така, Работната група за превентивни услуги на САД воведе годишен LCS за оние на возраст од 50 и повеќе години, со историја на пушење од 20 пакети годишно.
Сега, проблемот е, како што истакнаа споменатите научници, што < 10% од подобното население поминало низ LCS. Згора на тоа, оние кои беа скринирани, навистина не може да се сметаат за репрезентативни примери, бидејќи тие не беа охрабрени да учествуваат во последователни или долгорочни скрининг.
Но, тоа не беше единствениот проблем.
Повеќето претходни напори за подобрување на LCS се фокусираа на идентификување на оние со најголем ризик за рак на белите дробови и насочување на достапните ресурси за скрининг. Сепак, скринингот се состоеше од клинички и демографски варијабли, како и радиографија на градниот кош за моделирање на ризикот од рак на белите дробови кај пушачите. Последователното LCS најмногу се потпираше на проценка на видливи пулмонални јазли.
Подоцнежните алгоритми за откривање на рак воведоа длабоко учење и беа во можност да го предвидат ракот на белите дробови во рок од 1-2 години. Сепак, тие сè уште не успеаја да ги искористат податоците за слики од претходните екрани на пациентот, според споменатите научници.
Значи, каков беше пристапот на Сибил?
- Подобрување на LCS преку воведување индивидуализирани модели на ризик за предвидување на рак на белите дробови;
- Комбинирање на демографски информации, клинички фактори на ризик и радиолошки прибелешки за подобрување.
Претпоставуваме дека сликите со LDCT содржат информации што се предвидливи за идниот ризик од рак на белите дробови надвор од моментално препознатливите карактеристики како што се јазлите на белите дробови. Алгоритам кој поминува покрај видливите нодули за да го предвиди идниот ризик од рак на белите дробови во текот на неколку години, може дополнително да го подобри управувањето со пациенти и стратегиите за имплементација на LCS.
Дополнително, со користење на единечно скенирање на градна компјутерска томографија (КТ) со мала доза и собирање на овие податоци за изминатите 15 години, Сибил може да предвиди карциноми на белите дробови што ќе се појават 1-6 години по прегледот.
Не само тоа, туку овој модел на длабоко учење може да го предвиди и краткорочниот и долгорочниот ризик од рак на белите дробови.
Досега, Сибил е подеднакво точен кај различни групи пациенти и од САД и од Тајван.
Најдобриот дел – кодот е јавно достапен.
Што би можел да промени Сибил во клиничка апликација?
Како што беше наведено во оригиналната статија, Сибил е во состојба правилно да ја одреди локацијата на идните карциноми и веројатноста LDCT да добие оценка со висок ризик.
Со други зборови, кога предвидува висок иден ризик од рак на белите дробови, може да го сигнализира специфичниот ризичен регион наместо да биде подеднакво распространет низ целиот граден кош.
Покрај тоа, може да заклучи биолошки релевантни информации, како што е времетраењето на пушењето, директно од сликите на LDCT.
Всушност, сибилите биле пророци во оваа ера, а најпознатиот пророк бил лоциран во Делфи, кој датира уште од единаесеттиот век п.н.е.
Значи, главната разлика помеѓу постоечките модели и Сибил е тоа што тие или го предвидуваат ризикот пред да се изврши скенирање и може да се користат за да се насочат пациентите со висок ризик кон скрининг, или тие предвидуваат ризик по извршеното скенирање и користат податоци од скенирањето.
Уште повеќе, моделите слични на Сибил не можеа да се тестираат директно, бидејќи нивниот код не беше јавно достапен.
Конечно, друга корисна примена на Сибил може да биде за намалување на последователните скенови или биопсии кај пациенти со јазли кои се со низок ризик.
