Przyszłość diagnostyki raka piersi oraz strategii redukcji ryzyka coraz bardziej kształtuje się dzięki zastosowaniu sztucznej inteligencji (AI). Jak wynika z przeglądowego artykułu opublikowanego przez Cell Press w czasopiśmie naukowym Trends in Cancer, technologie oparte na sztucznej inteligencji mają potencjał radykalnie zmienić podejście do wykrywania i zapobiegania tej chorobie.
Według Erika Thompsona z Uniwersytetu Technologicznego w Queensland w Brisbane, rozwój metod wspieranych przez AI umożliwia bardziej precyzyjne przewidywanie ryzyka raka piersi. „Dyskutujemy o najnowszych odkryciach w obszarze predykcji ryzyka tego nowotworu przy pomocy AI, o tym, co może to oznaczać dla przyszłości badań przesiewowych i działań profilaktycznych, a także o najważniejszych kierunkach badań potrzebnych do wprowadzenia tych technologii do praktyki klinicznej” – podkreśla ekspert.
Gęstość radiologiczna tkanki piersiowej, widoczna w badaniu mammograficznym, odgrywa istotną rolę w ocenie ryzyka. Jasne obszary na mammogramie wskazują na gęstą tkankę piersiową, natomiast ciemne na tkankę niegęstą. Kobiety z wyższą gęstością mammograficzną dla swojego wieku i wskaźnika masy ciała (BMI) są bardziej narażone na rozwój raka piersi. Co więcej, duża gęstość tkanki może utrudniać wykrycie zmian nowotworowych w badaniu mammograficznym, stanowiąc tzw. „efekt maskowania”.
Na całym świecie pojawiają się ruchy społeczne i postulaty, aby kobiety były informowane o gęstości ich tkanki piersiowej. Inicjatywy te doprowadziły już do zmian polityki zdrowotnej w USA, Kanadzie i Australii. W wybranych regionach gęstość mammograficzna wyznacza konkretną ścieżkę diagnostyki, w której stosuje się dodatkowe technologie obrazowania, takie jak USG czy rezonans magnetyczny (MRI). Badania kliniczne kobiet z wysoce gęstą tkanką piersiową pokazują, że te metody mogą znacząco zwiększyć wskaźniki wykrywalności raka piersi. Niemniej jednak zarówno naukowcy, jak i klinicyści wciąż zmagają się z wyzwaniami wynikającymi z efektu maskowania oraz trudnościami związanymi z optymalnym wdrożeniem zmian w praktyce medycznej.
W celu przewidywania przyszłych diagnoz raka piersi, najnowsze technologie, takie jak głębokie uczenie maszynowe (deep learning), są obecnie wykorzystywane do analizy obrazów mammograficznych. Algorytmy AI umożliwiają wykrywanie cech mammograficznych, które mogą być silniejszymi wskaźnikami ryzyka raka piersi niż jakiekolwiek inne znane dotąd czynniki. Odkrycie tych cech pozwala na dokładniejszą identyfikację kobiet najbardziej narażonych na rozwój choroby oraz tych, u których ryzyko przeoczenia raka jest wysokie ze względu na efekt maskowania.
„Kobieta z mammograficznymi cechami wskazującymi na wysokie ryzyko nowotworu mogłaby odnieść korzyści z częstszych badań przesiewowych lub stosowania leków redukujących ryzyko” – zauważa Thompson. Z kolei kobiety z niskim ryzykiem raka w okresie pięciu lat mogłyby rzadziej poddawać się badaniom. Natomiast te ze zwiększoną gęstością piersi, ale bez cech wysokiego ryzyka, mogłyby być kierowane na badania uzupełniające, takie jak MRI czy ultrasonografia.
„Warunkiem skuteczności tych technologii w klinice jest zrozumienie biologii patologicznej związanej z cechami mammograficznymi oraz mechanizmów, które łączą je z procesem nowotworzenia” – dodaje naukowiec. „Będzie to kluczowe dla oceny związku tych cech z krótkoterminowym i długoterminowym ryzykiem raka piersi oraz przyszłych działań prewencyjnych”.
Co więcej, wstępne badania sugerują, że część cech generowanych przez AI może wskazywać na wczesne zmiany nowotworowe niedostrzegalne w standardowej analizie radiologicznej, podczas gdy inne mogą być związane z łagodnymi stanami zwiększającymi prawdopodobieństwo raka. Nadal jednak nie wiadomo, jakie jest znaczenie cech wykrywanych przez AI, które nie są jednoznacznie przypisane ani nowotworom, ani stanom łagodnym.
Rozwój sztucznej inteligencji w diagnostyce raka piersi to ekscytujący krok w stronę bardziej spersonalizowanej medycyny. Dzięki precyzyjnym predykcjom, wykorzystaniu dodatkowych technologii obrazowania oraz lepszemu zrozumieniu biologicznych podstaw tego nowotworu możemy w przyszłości radykalnie poprawić wyniki leczenia i zapobiegania. Przed nami jednak jeszcze wiele wyzwań – wprowadzanie nowych technologii do powszechnej praktyki wymaga dalszych badań i interdyscyplinarnej współpracy.
