Lungenkrebs ist die führende Ursache der durch Krebs verursachten Todesfälle weltweit. Screening ist der Schlüssel für die frühzeitige Erkennung und eine erhöhte überlebensrate, aber die aktuelle Methode hat eine 96-Prozent false-positive-rate. Mithilfe von machine-learning -, Forscher an der University of Pittsburgh und UPMC Hillman Cancer Center haben einen Weg gefunden, um erheblich reduziert false positives, ohne einen einzigen Fall von Krebs.
Die Studie wurde heute veröffentlicht in der Fachzeitschrift Thorax. Dies ist das erste mal künstliche Intelligenz wurde angewandt, um die Frage des aussortierens von gutartigen Krebs Knötchen in der Lunge-Krebs-screening.
„Wir waren in der Lage, um auszuschließen, Krebs in etwa einem Drittel der Patienten, so dass Sie nicht brauchen, Biopsien, würden Sie nicht brauchen, PET-scans oder kurz-Intervall CT-scan. Sie brauchen nur zu kommen in einem Jahr wieder“, sagt senior-Autor David Wilson, M. D., M. P. H., associate professor für Medizin, Herz-Thorax-Chirurgie und klinische und translationale Wissenschaft an der Pitt und co-Direktor des Lung Cancer Center UPMC Hillman.
Eine low-dose CT-scan ist die standard-Diagnose-test für Lungenkrebs bei Menschen mit hohem Risiko. Bundesweit, rund ein Viertel von diesen scans auftauchen der Schatten, der angibt, Knötchen in der Lunge-ein positives Ergebnis-aber weniger als 4 Prozent der Patienten haben tatsächlich Krebs.
Jetzt, es ist unmöglich zu wissen, von der Suche allein, diese 4 Prozent, Wilson sagte. Natürlich, die ärzte wollen nicht zu verpassen Reale Fälle von Krebs, aber Sie sind auch versucht, um die false-positive-rate, betonte er.
„Ein positiver test schafft Angst, erhöht die Kosten für die Gesundheitsversorgung, und die follow-up-tests sind nicht ohne Risiko,“ sagte Studie Co-Autor Panayiotis (Takis) Benos, Ph. D., professor und stellvertretende Vorsitzende der computational und systems biology und stellvertretender Direktor der Integrative Systembiologie-Programm bei Pitt. „Für 96 Prozent der Menschen, die gutartigen Knoten, die diese Verfahren sind unnötig. So, wir versuchen Sie mir die Daten sagen, die sind gutartig und welche bösartig.“
Wilson, Benos und Kollegen versammelt, niedrig-Dosis-CT-scan-Daten von 218 hoch-Risiko UPMC Patienten wurden später bestätigt, haben entweder Lungen-Krebs oder gutartige Knötchen. Dann speisten Sie die Daten in ein machine-learning-Algorithmus-eine form von künstlicher Intelligenz-ein Modell zu erstellen, berechnet die Wahrscheinlichkeit von Krebs. Wenn die Wahrscheinlichkeit unter einen gewissen Wert fällt, wird das Modell Regeln, Krebs.
Vergleich des Modells mit der Einschätzung gegen die tatsächlichen Diagnosen dieser Patienten fanden die Forscher, dass Sie in der Lage gewesen wären zu sparen, 30 Prozent der Menschen mit gutartigen Knötchen von in zusätzliche Tests, ohne einen einzigen Fall von Krebs.
Die drei Faktoren, die wichtig waren, um das Modell, Benos sagte, sind die Anzahl der Blutgefäße rund um die Knötchen, die Anzahl der Knoten und die Anzahl der Jahre seit der patient das Rauchen aufgeben.
„Während es seit einiger Zeit bekannt, dass Tumoren rekrutieren Kreislauf unterstützen, das ist das erste mal, dass wir in der Lage gewesen, um computer-Technologie zu quantifizieren deren Beitrag und integriert Sie in ein prädiktives Modell, das entscheidet, mit der Gewissheit, dass einige Patienten, die keinen Krebs haben,“ Wilson sagte. „Der nächste Schritt ist die Bewertung dieser Technik in eine größere Bevölkerung, und tatsächlich, es fing schon mit etwa 6.000 scans aus der National Lung Screening Trial.“
Weitere Autoren auf der Studie enthalten Vineet Raghu, Wei Zhao, M. D., Ph. D., Jiantao Pu, Ph. D., Joseph Führer, Ph. D., Jian-Min Yuan, M. D., Ph. D., der Pitt; James Herman, M. D., und Renwei Wang, M. D., der UPMC Hillman.
Diese Arbeit wurde unterstützt von den National Institutes of Health (U01HL137159, R01LM012087), besonders das National Cancer Institute (P50CA90440, P30CA047904, R21CA197493 und T32CA082084).