Czy AI może przewidzieć przyszłe ryzyko raka płuca na podstawie TK klatki piersiowej?

How AI predicts lung cancer risk 6 years in advance

MIT Jameel Clinic - AI & Health · 2025-01-22 · Źródło

Anglojęzyczny film MIT Jameel Clinic, opublikowany w YouTube 22 stycznia 2025 r., wyjaśnia podejście badawcze Sybil. Należy go rozpatrywać wraz z ograniczeniami podgrup z późniejszego testu zewnętrznego z 2025 r.; nie jest indywidualną poradą przesiewową ani dowodem korzyści klinicznej.

Jakie pytanie postawiono w badaniu Sybil?

Oryginalne badanie, opublikowane online 12 stycznia 2023 r., dotyczyło przewidywania przyszłego ryzyka raka płuca z objętościowego obrazu jednej niskodawkowej TK. Model opracowano na danych NLST i oceniono na wydzielonym zbiorze testowym NLST oraz danych z Massachusetts General Hospital i Chang Gung Memorial Hospital na Tajwanie. Retrospektywna ocena obrazów różni się od badania wyników klinicznych, w którym model kieruje decyzjami.

Co wniósł test zewnętrzny z 2025 roku?

Badanie Radiology opublikowane 5 sierpnia 2025 r. retrospektywnie przeanalizowało dane 18 057 osób z jednego ośrodka badań kontrolnych. Raki już widoczne w wyjściowej TK oceniano oddzielnie od tych, które wystąpiły później. W podgrupie osób nigdy niepalących lub palących niewiele AUC dla przyszłych nowotworów wyniosło 0,56. AUC mierzy zdolność rozróżniania; nie oznacza osobistego ryzyka raka 56% ani trafności diagnostycznej 56%.

Dlaczego oddzielać korzyść z badań TK od korzyści z AI?

Publikacja NLST z 2011 r. opisywała badanie randomizowane porównujące przesiewową niskodawkową TK z radiografią klatki piersiowej u osób wysokiego ryzyka i wykazała spadek umieralności z powodu raka płuca. Wynik dotyczy określonego podejścia do badań przesiewowych; nie oceniał dodatkowej korzyści z Sybil. Przedstawianie korzyści z badań przesiewowych jako wyniku modelu ryzyka miesza różne rodzaje dowodów.

Czy wynik ryzyka zastępuje decyzję kliniczną?

Oszacowanie ryzyka nie jest rozpoznaniem potwierdzającym raka w tkance ani bezpiecznym dla wszystkich odstępem między kontrolami. Omawiane badania AI nie są randomizowanymi badaniami wdrożeniowymi wykazującymi, że zmiana odstępów kontroli według modelu poprawia wyniki pacjentów. Publikacja artykułu, publiczna dostępność modelu oraz zezwolenie regulacyjne na określone zastosowanie kliniczne to również różne sytuacje.

Jak oceniać twierdzenie o wdrożeniu?

W ocenie redakcyjnej należy łącznie sprawdzić populację docelową, historię palenia, protokół TK, wersję modelu i horyzont przewidywania. Wyniki podgrup, zgodność ryzyka przewidywanego z obserwowanym, fałszywe alarmy i fałszywe poczucie bezpieczeństwa wymagają odrębnej oceny. Kolejnym krokiem jest prospektywne badanie korzyści i szkód w rzeczywistym procesie decyzyjnym. Artykuł nie zawiera indywidualnych porad dotyczących badań przesiewowych, kontroli ani leczenia.