麻省理工學院和麻省總醫院開發了一種可以檢測肺癌的人工智能係統

肺癌是一種毀滅性的疾病。 根據 世界衛生組織，肺癌是全球最常見的死因之一，僅2.21年就佔近2020萬例。 重要的是，這種疾病可以是進行性的； 也就是說，對於許多人來說，它可能一開始只是輕微的症狀，不會引起警覺，然後迅速演變成危及生命的診斷，導致死亡。 幸運的是，在過去的二十年裡，專注於幫助肺癌患者的治療範圍有了巨大的發展。 然而，早期發現癌症仍然是顯著降低死亡率的唯一手段之一。

這一領域的一項顯著成就是麻省理工學院 (MIT) 和麻省總醫院 (MGH) 最近宣布開發名為“Sybil”的深度學習模型，該模型可用於預測肺癌風險，使用數據僅來自一次 CT 掃描。 這 研究 上周正式發表在《臨床腫瘤學雜誌》上，並討論了“提供個性化未來癌症風險評估的工具如何將方法集中於最有可能受益的人。” 因此，研究負責人假設“可以建立一個評估整個體積 LDCT [低劑量對比 CT] 數據的深度學習模型來預測個體風險，而無需額外的人口統計或臨床數據。”

該模型從一個基本原則開始：“LDCT 圖像包含的信息可以預測未來肺癌風險，超出當前可識別的特徵（例如肺結節）。” 因此，開發人員試圖“開發和驗證一種深度學習算法，通過單次 LDCT 掃描預測未來 6 年內的肺癌風險，並評估其潛在的臨床影響。”

總的來說，到目前為止，這項研究非常成功：Sybil 僅使用一次 LDCT 的數據就能夠在一定程度上準確地預測患者未來患肺癌的風險。

毫無疑問，這項技術的臨床應用和意義還不成熟。 甚至研究負責人也同意，需要做大量工作來弄清楚如何在實際臨床實踐中應用這項技術——特別是在培養對該技術的一定程度的信心方面，醫生和患者會感到安全依賴系統的輸出。

然而，該算法的前提仍然非常強大，並且在預測診斷領域需要一個潛在的遊戲規則改變者。

診斷措施從未如此強大。 一種工具可以僅使用一次 CT 掃描來預測長期疾病功能這一事實可能會解決許多問題——其中最重要的是實現早期治療和降低死亡率。

起初臉紅的專家們可能會反駁這樣的系統，並指出沒有任何人工智能係統能夠在判斷力和臨床能力方面達到足以取代人類醫生的水平。 但像這樣的系統的目的不一定是取代醫生的專業知識，而是潛在地增強醫生的工作流程。

像 Sybil 這樣的系統可以很容易地用作推薦工具，將可能涉及的 CT 標記給醫生，然後醫生可以使用自己的臨床判斷來同意或不同意 Sybil 的建議。 這不僅可能會提高臨床吞吐量，而且還可以作為輔助“檢查”過程並可能提高診斷準確性。

毫無疑問，在這個領域還有很多工作要做。 科學家、開發人員和創新者在他們面前還有很長的路要走，不僅要完善實際的算法和系統本身，還要探索將這項技術引入實際臨床應用的超細微差別領域。 然而，如果以安全、合乎道德和有效的方式開發，技術、意圖和它在改善患者護理方面的潛力，確實有希望用於診斷的產生。