A mesterséges intelligencia (MI) megjelenése az onkológiai diagnosztikában fontos előrelépést jelent az endometriális rák azonosításában és kezelésében. A MI fejlesztések, különösen a diagnosztikai algoritmusok használatán keresztül, közel tökéletes diagnosztikai pontosságot mutattak ezen a területen. A konvolúciós neurális hálózatok (CNN-ek) 91-94%-os diagnosztikai pontosságot érnek el az endometriális rosszindulatú daganatok azonosításában, ezzel támogatva a korai beavatkozási stratégiákat. A mély tanulási algoritmusok, különösen amikor MRI-alapú rosszindulatú daganatok felismerésére alkalmazzák őket, akár 92%-os érzékenységet mutatnak, erős eszközt biztosítva a korai stádiumú diagnózishoz és kezeléshez.
Összehasonlító elemzések azt mutatják, hogy a MI eszközök nemcsak egyenértékűek, de gyakran felülmúlják az emberi patológusok diagnosztikai képességeit, különösen a biopsziás minták rosszindulatú, jóindulatú vagy nem elégséges osztályozásában. A hibrid diagnosztikai algoritmusok, amelyek neurális hálózatokat tartalmaznak, tovább növelik a diagnosztikai pontosságot összetett esetekben. Figyelemreméltó, hogy Takahashi és munkatársai tanulmányában 91,66%-os érzékenységet és 9,71%-os hibaarányt jelentettek, kiemelve a MI potenciálját a klinikai diagnosztika finomítására fejlett mintafelismerés és adatintegráció révén.
Az endometriális rák magas kockázatú altípusainak azonosítása is nagy mértékben profitált a MI elemzésből. Több mint 2300 rákos sejtkép vizsgálatával a MI képes volt felismerni egy korábban nem azonosított, magas kockázatú alcsoportot, amely rossz túlélési eredményekkel jár. Ez az alcsoport elkerüli a hagyományos molekuláris és patológiai diagnosztikai módszereket, bemutatva a MI kiváló mintafelismerési képességeit. A MI-vezérelt morfológiai elemzés integrációja a molekuláris tesztekkel, mint például a ProMiSE eszköz, elősegíti a célzott kezelési protokollok fejlesztését magas kockázatú betegek számára, potenciálisan felváltva a jelenlegi "mindent magába foglaló" molekuláris kategorizálásokat. Az UBC kutatói azonosítottak egy magas kockázatú formáját az endometriális ráknak MI segítségével, kiemelve annak a betegellátást átalakító potenciálját.
A MI hatékonysága az orvosi képalkotás és biopsziás adatok feldolgozásában jelentősen meghaladja az emberi radiológusokét, ezáltal felgyorsítva a diagnosztikai időkereteket. Az minták felülvizsgálatának automatizálásával a patológusok számára, különösen nagy volumenű környezetben, a MI optimalizálja a klinikai munkafolyamatokat. Ez a hatékonyság csökkenti a betegek által jelentett tünetektől vagy a menopauza állapotától való függést, javítva a hátrányos helyzetű populációk hozzáférését és felgyorsítva a prognózishoz elengedhetetlen beavatkozásokat.
Az emberi diagnosztikával összehasonlítva, a felügyelt CNN modellek 91,1%-os pontossággal osztályozzák a szövettani lemezeket, csökkentve a megfigyelők közötti változékonyságot és biztosítva a diagnosztikai következtetések következetességét. A MI képessége, hogy diagnosztikai javaslatokat nyújtson a bizalmi szintek szerint rangsorolva, növeli a klinikai döntéshozatal megbízhatóságát.
Bár a MI hibaarányai, mint például a Fell és munkatársai tanulmányában jelentett 8,9%, elfogadható határok között maradnak, az ember-MI együttműködési modellek integrációja biztosítja, hogy a klinikai kontextus fennmaradjon a határeseteknél, végső soron javítva a diagnosztikai hatékonyságot és a betegek kezelési eredményeit.
References
- https://pmc.ncbi.nlm.nih.gov/articles/PMC11193879/
- https://pubmed.ncbi.nlm.nih.gov/38910646/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC9860482/
- https://www.tfri.ca/updates/news/news-item/scientists-discover-high-risk-form-of-endometrial-cancer-and-how-to-test-for-it-using-ai
- https://www.med.ubc.ca/news/scientists-discover-high-risk-form-of-endometrial-cancer-and-how-to-test-for-it-using-ai/
