Sztuczna inteligencja w błyskawicznym tempie zmienia oblicze współczesnej medycyny, oferując nowe, przełomowe narzędzia w walce z chorobami, gdzie kluczowe znaczenie ma szybka i precyzyjna diagnoza. Najnowsze badania przeprowadzone przez naukowców z Mass General Brigham, we współpracy z Boston Children’s Hospital oraz Dana-Farber/Boston Children’s Cancer and Blood Disorders Center, dowodzą, że AI może skutecznie przewidywać nawroty glejaków – nowotworów mózgu występujących u dzieci. Dzięki zastosowaniu techniki głębokiego uczenia maszynowego, algorytmy zostały przeszkolone do analizy sekwencyjnych zdjęć MRI wykonanych po leczeniu, co umożliwia identyfikację dzieci najbardziej narażonych na odnowienie się choroby.
Choć wiele przypadków dziecięcych glejaków daje się wyleczyć za pomocą samej operacji chirurgicznej, to jednak powroty choroby mogą być trudne do przewidzenia i niosą za sobą ogromny stres zarówno dla pacjentów, jak i ich rodzin. Dlatego dzieci te poddawane są licznym kontrolom z wykorzystaniem rezonansu magnetycznego przez wiele lat po zakończeniu leczenia. Taka praktyka, mimo że niezbędna, jest uciążliwa i często psychicznie wyczerpująca. Jak podkreśla dr Benjamin Kann, autor korespondujący badania i członek Programu Sztucznej Inteligencji w Medycynie oraz oddziału onkologii radiacyjnej w Brigham and Women’s Hospital, potrzeba lepszych, dokładniejszych narzędzi oceny ryzyka nawrotów jest paląca. Sztuczna inteligencja może być tutaj odpowiedzią.
Jednym z największych wyzwań w analizie rzadkich chorób, takich jak nowotwory dziecięce, jest ograniczony dostęp do dużych ilości danych. W odpowiedzi na to ograniczenie, badacze wykorzystali współpracę instytucjonalną na skalę ogólnokrajową, co pozwoliło zgromadzić niemal 4 tysiące rezonansów magnetycznych po leczeniu od 715 pacjentów pediatrycznych. Aby maksymalnie wykorzystać potencjał sztucznej inteligencji w tej dziedzinie, zastosowano unikalną metodę uczenia temporalnego, która pozwala systemowi AI analizować obrazy wykonane na przestrzeni kilku miesięcy, a nie tylko pojedyncze skany – co znacząco poszerza zdolność algorytmu do wychwytywania subtelnych zmian sugerujących ewentualny nawrót nowotworu.
To właśnie uczenie temporalne, będące nowatorską koncepcją w kontekście zastosowania w medycynie, pozwoliło tworzonemu modelowi nie tylko sortować badania w porządku chronologicznym, ale również kojarzyć konkretne zmiany w czasie z ryzykiem nawrotu choroby. W przeciwieństwie do klasycznych modeli AI, które analizują jednorazowe obrazy diagnostyczne, ten podejście integruje informacje z wielu punktów czasowych, co prowadzi do znacznie trafniejszych prognoz.
Rezultaty badania są niezwykle obiecujące – model oparty na algorytmie temporalnym był w stanie przewidzieć nawrót zarówno glejaków niskiego, jak i wysokiego stopnia u dzieci w ciągu roku od zakończenia leczenia, osiągając dokładność na poziomie od 75 do 89 procent. Dla porównania, klasyczne prognozy bazujące na pojedynczych obrazach MRI dawały trafność prognozy jedynie na poziomie około 50 procent, czyli nie lepszą niż przewidywanie przypadkowe. Co ciekawe, największa poprawa dokładności nastąpiła już po analizie zaledwie czterech do sześciu obrazów po leczeniu, co sugeruje, że nawet niewielka liczba danych w czasie może znacząco zwiększyć precyzję modelu.
Oczywiście, zanim takie rozwiązanie trafi do powszechnego zastosowania klinicznego, konieczna jest dalsza walidacja w innych środowiskach diagnostycznych i na większych grupach pacjentów. Naukowcy planują przeprowadzenie badań klinicznych, które pozwolą ocenić, czy oparte na AI predykcje ryzyka rzeczywiście mogą wpłynąć na jakość opieki medycznej. Potencjalne korzyści są ogromne – od redukcji liczby zbędnych badań obrazowych wśród pacjentów o niskim ryzyku, aż po wczesne wdrażanie leczenia u dzieci ze zwiększonym prawdopodobieństwem nawrotów.
Jak zauważa współautor badania, Divyanshu Tak, technika temporalnego uczenia sztucznej inteligencji nie musi ograniczać się jedynie do nowotworów mózgu. Może mieć szerokie zastosowanie we wszystkich dziedzinach medycyny, w których pacjenci poddawani są regularnym badaniom obrazowym – od chorób przewlekłych po monitorowanie skuteczności terapii. To dopiero początek nowej ery w analizie danych medycznych, a dzisiejsze odkrycia mogą przyczynić się do rewolucji w personalizacji leczenia i poprawie jakości życia pacjentów na całym świecie.
