Medikaynak Search
ÜYE OL ÜYE GİRİŞ
Medikaynak Menü
ÜYE OLUN / GİRİŞ YAPIN Medikaynak Icon
Medikaynak Rxmediapharma RxMediaPharma

Akciğer Kanseri Taramasında Yalancı Pozitifliğin Azaltılmasında Yapay Zeka Kullanımı

Yeni bulgulara göre yapay zeka kullanımı, herhangi bir gerçek kanser vakasını kaçırmamaya yardımcı olmakla birlikte akciğer kanseri taramasında yanlış pozitif oranların azaltılmasına yardımcı olabilir.
08 Ocak 2020

Yeni bulgulara göre yapay zeka (AI) kullanımı, herhangi bir gerçek kanser vakasını kaçırmamaya yardımcı olmakla birlikte akciğer kanseri taramasında yanlış pozitif oranların azaltılmasına yardımcı olabilir.

Pittsburgh Üniversitesi'ndeki araştırmacılar, kanseri iyi huylu nodüllerden ayırmada mevcut yöntemleri geride bırakan yeni bir akciğer kanseri belirleyicisi geliştirdi.

UPMC Hillman, Pittsburgh-Pennsylvania’daki Lung Cancer Center’ın başkanı olan MPH’nın kıdemli uzmanı David Wilson, “Hangi özelliklerin kanseri tahmin etmemize ya da daha önemlisi kanser olmadığını tahmin etmemizi sağlayacak bir makine öğrenme algoritması kullandık. Yarattığımız algoritmayı kullanarak belirsiz nodüllerin yaklaşık %30'unda kanseri güvenilir bir şekilde nodülden ayırabileceğimizi bulduk.” şeklinde açıklama yaptı. Çalışma çevrimiçi olarak 12 Mart'ta Thorax'ta yayınlandı.

Hastalık riski yüksek bazı gruplar için ABD Önleyici Hizmetler Görev Gücü tarafından düşük doz bilgisayarlı tomografi (LDCT) kullanarak akciğer kanseri taraması yapılması önerilmektedir. Bununla birlikte, LDCT taramasındaki en büyük sorun, hatalı pozitiflerin oranıdır. LDCT taramalarının yaklaşık dörtte biri (%24), takip gerektiren pozitif bir sonuç verir, ancak bu bulguların %96'sı yalancı pozitiftir.

Nodülün Etrafını Saran Damar Sayısı Yeni bir Belirteç mi?

Bu çalışmada yazarlar, bir LDCT taramasının özelliklerini diğer klinik veriler ve komorbiditelerle bütünleştirerek akciğer kanseri tahminini iyileştirip iyileştiremeyeceklerini araştırdılar.

Demografik veriler, sigara içme öyküsü, komorbidite ve akciğer nodüllerinin LDCT tarama özellikleri, 2002-2006 yıllarında toplanan 3642 sigara içen bir topluluktan oluşan bir araştırma grubu olan Pittsburgh Lung Tarama Çalışması (PLuSS) katılımcılarından alındı. Tüm katılımcılara bazal LDCT taraması yapıldı ve çoğunluğa ertesi yıl da takip LDCT taraması yapıldı. Tüm katılımcılar sigara içme öyküsü ile ilgili soruları içeren, solunum fonksiyon testi için spirometri uygulanan ve bir kan örneğinin alındığı bir anketi de doldurdular.

İlk adım, başlangıçtaki LDCT taramasında kanser tespit edilen 50 katılımcının ve taramasında nodüllerin tespit edildiği 42 hastanın üzerinde bir kohort çalışması başlatmak oldu. Katılımcılar çok yüksek akciğer kanseri riski taşıyan homojen bir birey popülasyonu idi. Bu nedenle, yaş, cinsiyet ve sigara içme öyküsü malign ve benign nodülü olan kişilerde benzerdi.

Makine öğrenmesi, bilgisayara büyük miktarlarda veri besleyerek yapılan belirli bir sonuca nasıl ulaşılacağını öğretmeyi içeriyordu ve  Makine öğrenme algoritması kullanarak araştırmacılar, kanser olasılığını hesaplayabilen bir model yarattılar. Olasılık belli bir eşiğin altına düşerse, model kanseri dışlayacak şekilde programlandı.

Araştırmacılar, bu değişkenleri 126 kişinin için ayrı bir kohortda doğrulanmış olan Akciğer Kanseri Nedensel Modelini (LCCM) oluşturmakta kullandılar ve nodül ve damar sayıları ile sigarayı bıraktıktan sonra geçen yılların verisinin, malign ve benign nodüller arasında ayrım yapmak için yeterli olduğunu buldular.

Harici doğrulama kohortunda, LCCM'nin tahmin doğruluğu, eğitim aşamasında karşılaştırılabilir sayıda parametre ile en iyi performans gösteren model Brock Brock ile karşılaştırıldı. LCCM, her iki Brock temelli modelinden daha anlamlıydı: LCCM için eğri altındaki alan (AUC), LCCM için 0.903 (± 0.061), yeniden eğitilmiş ve orijinal Brock ortak modelleri için sırasıyla 0.757 (± 0.086) ve 0.812 (± 0.077) idi. .

Özellikle yazarlar, diğer öngörücü modellerde kullanılmamış olan ve nodülü çevreleyen damarların sayısının öngörücü etkinliği önemli ölçüde iyileştirdiğine dikkat çektiler. LCCM, kanserli bir kişiyi yanlış sınıflandırmadan, iyi huylu nodüllerin %28.3'ünü doğru bir şekilde tanımladı.

Pay'daki çalışma sorumlusu Prof. Dr. Panayiotis Benos, “LCCM'nin şimdi çok merkezli bir kohortta doğrulanması gerekiyor. Bunu daha büyük bir kohortla birden fazla ayarda doğrulamamız gerekiyor. Bunu hastanemizdeki ikinci bir kohortta doğrulamış olmakla beraber, bunun sadece bizim kurumumuz için bir bulgu olmadığından emin olmalıyız. Her ihalukarda, bu sonuçlar geçerli ve yeterince bilimse ancak bu sonuçların genelleştirilebilir olduğundan emin olmalıyız." şeklinde konuştu.

Referanslar

Feasibility of lung cancer prediction from low-dose CT scan and smoking factors using causal models ; Vineet K Raghu1,2, Wei Zhao3,4, Jiantao Pu3, Joseph K Leader3, Renwei Wang5, James Herman6, Jian-Min Yuan5,7, Panayiotis V Benos1,2, David O Wilson8

BENZER İÇERİKLER