麻省理工学院和麻省总医院开发了一种可以检测肺癌的人工智能系统

肺癌是一种毁灭性的疾病。 根据 世界卫生组织，肺癌是全球最常见的死因之一，仅2.21年就占近2020万例。 重要的是，这种疾病可以是进行性的； 也就是说，对于许多人来说，它可能一开始只是轻微的症状，不会引起警觉，然后迅速演变成危及生命的诊断，导致死亡。 幸运的是，在过去的二十年里，专注于帮助肺癌患者的治疗范围有了巨大的发展。 然而，早期发现癌症仍然是显着降低死亡率的唯一手段之一。

这一领域的一项显着成就是麻省理工学院 (MIT) 和麻省总医院 (MGH) 最近宣布开发名为“Sybil”的深度学习模型，该模型可用于预测肺癌风险，使用数据仅来自一次 CT 扫描。 这 根据一项研究， 上周正式发表在《临床肿瘤学杂志》上，并讨论了“提供个性化未来癌症风险评估的工具如何将方法集中于最有可能受益的人。” 因此，研究负责人假设“可以建立一个评估整个体积 LDCT [低剂量对比 CT] 数据的深度学习模型来预测个体风险，而无需额外的人口统计或临床数据。”

该模型从一个基本原则开始：“LDCT 图像包含的信息可以预测未来肺癌风险，超出当前可识别的特征（例如肺结节）。” 因此，开发人员试图“开发和验证一种深度学习算法，通过单次 LDCT 扫描预测未来 6 年内的肺癌风险，并评估其潜在的临床影响。”

总的来说，到目前为止，这项研究非常成功：Sybil 仅使用一次 LDCT 的数据就能够在一定程度上准确地预测患者未来患肺癌的风险。

毫无疑问，这项技术的临床应用和意义还不成熟。 甚至研究负责人也同意，需要做大量工作来弄清楚如何在实际临床实践中应用这项技术——特别是在培养对该技术的一定程度的信心方面，医生和患者会感到安全依赖系统的输出。

然而，该算法的前提仍然非常强大，并且在预测诊断领域需要一个潜在的游戏规则改变者。

诊断措施从未如此强大。 一种工具可以仅使用一次 CT 扫描来预测长期疾病功能这一事实可能会解决许多问题——其中最重要的是实现早期治疗和降低死亡率。

起初脸红的专家们可能会反驳这样的系统，并指出没有任何人工智能系统能够在判断力和临床能力方面达到足以取代人类医生的水平。 但像这样的系统的目的不一定是取代医生的专业知识，而是潜在地增强医生的工作流程。

像 Sybil 这样的系统可以很容易地用作推荐工具，将可能涉及的 CT 标记给医生，然后医生可以使用自己的临床判断来同意或不同意 Sybil 的建议。 这不仅可能会提高临床吞吐量，而且还可以作为辅助“检查”过程并可能提高诊断准确性。

毫无疑问，在这个领域还有很多工作要做。 科学家、开发人员和创新者在他们面前还有很长的路要走，不仅要完善实际的算法和系统本身，还要探索将这项技术引入实际临床应用的超细微差别领域。 然而，如果以安全、合乎道德和有效的方式开发，技术、意图和它在改善患者护理方面的潜力，确实有希望用于诊断的产生。