AI Mayo Clinic wykrywa sygnał ryzyka raka trzustki, którego nie dostrzegają radiolodzy
AI Mayo Clinic do wykrywania raka trzustki wykryła ukryte znaki ostrzegawcze w rutynowych badaniach CT nawet trzy lata przed otrzymaniem przez pacjentów diagnozy klinicznej. Model zidentyfikował 73% nowotworów przed diagnozą w niezależnym zbiorze testowym. Eksperci radiolodzy oceniający te same badania wykryli 38,9%.
Ta różnica jest tu najważniejsza. Badania nie wykazywały oczywistych nieprawidłowości, a pacjenci przeszli obrazowanie z powodów niezwiązanych z rakiem trzustki. Mimo to model wykrył wzorce powiązane z nowotworami, które stawały się klinicznie widoczne miesiące lub lata później.
System o nazwie Radiomics-based Early Detection Model, czyli REDMOD, samodzielnie nie diagnozuje raka. Przypisuje ryzyko na podstawie ilościowych wzorców w tkance trzustki, która dla ludzkich obserwatorów wygląda prawidłowo.
Naukowcy z Mayo Clinic, MD Anderson Cancer Center i University of Washington opisali wyniki w czasopiśmie Gut. Ich retrospektywne badanie stawia medycznej AI wymagający cel: wykrywanie rzadkiego nowotworu, zanim widoczny guz dostarczy jednoznacznej wskazówki diagnostycznej.
Model nie wykazał jednak jeszcze, że jego alerty poprawiają przeżywalność w praktyce klinicznej. Kolejnym testem będzie ustalenie, czy szpitale mogą korzystać z tych alertów bez powodowania nadmiernej liczby wyników fałszywie dodatnich, inwazyjnych procedur i lęku pacjentów.
AI Mayo Clinic do wykrywania raka trzustki znalazła sygnały lata wcześniej
REDMOD zmienił to, co badacze mogli wydobyć ze skądinąd prawidłowo wyglądającego badania CT, a nie to, co radiolog mógł dostrzec wzrokiem.
Naukowcy zgromadzili badania CT wykonane przed diagnozą u 219 osób, u których później rozwinął się gruczolakorak przewodowy trzustki. Ta choroba, często skracana do PDAC, jest najczęstszą postacią raka trzustki.
Badania wykonano od trzech do 36 miesięcy przed diagnozą. Pierwotnie zinterpretowano je bez rozpoznania podejrzanej masy w trzustce ani innej ogniskowej nieprawidłowości.
Badanie objęło także 1 243 kontrolne skany osób bez raka trzustki. Uczestnicy grupy kontrolnej byli obserwowani przez co najmniej trzy lata, co zmniejszało prawdopodobieństwo, że niezdiagnozowany nowotwór błędnie oznaczono jako prawidłowy wynik.
Naukowcy podzielili dane na odrębne grupy rozwojowe i testowe. REDMOD trenowano na 969 skanach, w tym 156 przypadkach przed diagnozą i 813 kontrolach.
Niezależny zbiór testowy zawierał 493 skany. Obejmował 63 przypadki raka przed diagnozą i 430 kontroli, z których żadna nie została wykorzystana do trenowania systemu.
W tym teście REDMOD osiągnął pole pod krzywą ROC równe 0,82. Miara ta, znana jako AUC, odzwierciedla, jak dobrze model rozróżnia przypadki dodatnie i kontrole przy różnych progach.
Przy wybranym progu model osiągnął czułość 73% i swoistość 81,1%. Czułość mierzy odsetek wykrytych przypadków raka, natomiast swoistość — odsetek kontroli prawidłowo sklasyfikowanych jako ujemne.
Mediana czasu wyprzedzenia wynosiła 475 dni, czyli około 16 miesięcy, przed diagnozą kliniczną. Część ocenianych skanów wykonano nawet trzy lata przed diagnozą.
Wyniki te wspierają główne twierdzenie, że AI Mayo Clinic do wykrywania raka trzustki może sygnalizować ryzyko nawet trzy lata wcześniej. Nie oznaczają jednak, że każdy nowotwór wykryto z trzyletnim wyprzedzeniem.
To rozróżnienie ma znaczenie. Wartość trzech lat opisuje zewnętrzną granicę okna badania, podczas gdy 475 dni opisuje typowy czas wyprzedzenia w testach.
Według recenzowanego badania REDMOD skuteczność zmieniała się wraz z odstępem przed diagnozą. Przewaga modelu nad radiologami rosła w przypadku skanów wykonanych ponad dwa lata wcześniej.
REDMOD wykrył 68% przypadków w tej podgrupie, w porównaniu z 23% wśród radiologów. Badacze zastrzegli, że podgrupy z dłuższym czasem wyprzedzenia obejmowały mniej przypadków, przez co ich szacunki są mniej pewne.
Mimo to wynik podważa znane założenie. Badanie CT uznane za prawidłowe może zawierać mierzalne zmiany tkankowe na długo przed tym, zanim masa w trzustce stanie się widoczna.
Dlaczego wcześniejsze wykrywanie raka trzustki wciąż jest tak trudne
Presja kliniczna wynika z wąskiego okna terapeutycznego i braku standardowej strategii badań przesiewowych dla dorosłych o przeciętnym ryzyku.
Rak trzustki często powoduje niespecyficzne objawy albo nie wywołuje rozpoznawalnych objawów na najwcześniejszych etapach. Gdy utrata masy ciała, ból brzucha lub żółtaczka skłaniają do wykonania obrazowania, nowotwór może już być rozsiany.
Wczesne wykrycie ma znaczenie, ponieważ operacja daje kwalifikującym się pacjentom największą szansę na długoterminowe przeżycie. Wielu pacjentów nigdy nie trafia na operację, ponieważ klinicyści rozpoznają chorobę dopiero po jej zaawansowaniu.
Badanie całej populacji przesiewowo nie jest prostą odpowiedzią. Rak trzustki występuje rzadziej niż rak piersi, płuca, jelita grubego czy prostaty.
Nawet test o pozornie wysokiej dokładności może generować wiele fałszywych alarmów, gdy stosuje się go wobec rzadkiej choroby. Liczba osób bez raka jest tak duża, że niedoskonała swoistość staje się poważnym problemem klinicznym.
National Cancer Institute podaje, że nie istnieje standardowy test przesiewowy raka trzustki dla osób o przeciętnym ryzyku. Jego aktualne wytyczne dotyczące badań przesiewowych koncentrują nadzór na osobach o podwyższonym ryzyku.
Grupy te obejmują osoby z istotnym wywiadem rodzinnym, odziedziczonymi wariantami związanymi z rakiem oraz określonymi zmianami trzustki. Niektóre programy kliniczne badają także nowo rozpoznaną cukrzycę jako sygnał wzbogacający ocenę ryzyka.
Wzbogacenie ryzyka oznacza wybór mniejszej populacji, w której częstość nowotworu jest wyższa niż w populacji ogólnej. Dzięki temu dodatkowe badanie obrazowe lub diagnostyczne staje się bardziej praktyczne.
REDMOD lepiej wpisuje się w to ukierunkowane podejście niż w powszechne badania przesiewowe. Model zaprojektowano do analizy badań CT już wykonanych w ramach rutynowej opieki, zwłaszcza u pacjentów z ustalonymi czynnikami ostrzegawczymi.
Takie rozwiązanie pozwala uniknąć narażania wszystkich osób na nowe promieniowanie CT wyłącznie w celu badań przesiewowych trzustki. Zmienia też wcześniej pozyskane obrazowanie w kolejne źródło długoterminowej informacji o ryzyku.
Tworzy jednak ograniczenie zasięgu. Osoby bez kwalifikującego się badania CT jamy brzusznej nie mogą skorzystać z modelu, niezależnie od swojego podstawowego ryzyka.
Populacja treningowa również nie odtwarza rzeczywistych warunków badań przesiewowych populacji. W badaniu przypadał około jeden przypadek raka przed diagnozą na sześć kontroli.
Ten stosunek jest znacznie bardziej wzbogacony o przypadki raka niż nieselekcjonowana populacja kliniczna. Badacze zastosowali go jako wymagający projekt o niskiej częstości występowania w porównaniu ze zrównoważonymi eksperymentami kliniczno-kontrolnymi, a nie jako odzwierciedlenie częstości w populacji.
Niższa rzeczywista częstość występowania może gwałtownie obniżyć dodatnią wartość predykcyjną. Dodatnia wartość predykcyjna mierzy, jak często dodatni alert odpowiada rzeczywistej chorobie.
Przegląd systematyczny z 2024 roku systematic review wykazał dużą zmienność modeli ryzyka raka trzustki opartych na elektronicznej dokumentacji medycznej. Wskazał także na niekompletne raportowanie i ograniczoną walidację w warunkach rzeczywistych w całej tej dziedzinie.
Późniejsza metaanaliza wykazała, że dodatnie wartości predykcyjne w podejściach opartych na EHR często były niższe niż 1%. Analiza odnotowała także skrajną zmienność między badaniami, mimo zachęcającej średniej zdolności rozróżniającej.
Ustalenia te nie unieważniają REDMOD, który analizuje obrazowanie, a nie ustrukturyzowaną dokumentację. Pokazują, dlaczego wysoka dokładność retrospektywna jest jedynie wstępnym wymogiem dla systemu przesiewowego.
Jak REDMOD odczytuje prawidłowo wyglądającą trzustkę
Model przekształca tkankę trzustki w mierzalne wzorce tekstury, a następnie łączy trzy klasyfikatory, aby oszacować ryzyko.
REDMOD rozpoczyna od automatycznej segmentacji trzustki. Segmentacja oznacza wyznaczenie trójwymiarowej granicy narządu na kolejnych przekrojach obrazu CT.
Naukowcy wykorzystali do tego kroku architekturę głębokiego uczenia o nazwie 3D nnU-Net. Automatyczna segmentacja ogranicza pracę ręczną, która w przeciwnym razie utrudniałaby analizę na dużą skalę.
Po wyodrębnieniu trzustki system oblicza cechy radiomiczne. Radiomika przekształca obrazy medyczne w pomiary numeryczne opisujące intensywność, teksturę, kształt i relacje przestrzenne.
Pomiary te mogą wychwytywać zmienność na poziomie pikseli, która nie tworzy widocznego guza. Radiolog widzi anatomię, natomiast radiomika mierzy również, jak wartości obrazu zmieniają się w obrębie tej anatomii.
System początkowo analizował setki pomiarów. Jego końcowa sygnatura wykorzystywała 40 wybranych cech, w tym cztery cechy pierwszego rzędu i 36 cech tekstury.
Cechy pierwszego rzędu podsumowują rozkład intensywności obrazu bez uwzględniania ich położenia. Cechy tekstury mierzą wzorce przestrzenne i relacje między sąsiednimi wartościami obrazu.
Trzydzieści sześć z 40 wybranych cech pochodziło z przefiltrowanych obrazów. Filtry ujawniają wzorce w różnych skalach, w tym zmienności, które mogą znikać w oryginalnym obrazie CT.
Cechy tekstury filtrowane falkowo stanowiły 90% końcowej sygnatury. Cechy te osiągnęły AUC 0,82, w porównaniu z 0,74 dla cech niefiltrowanych.
Różnica była istotna statystycznie w badaniu. Sugeruje, że model opiera się na rozproszonych zmianach strukturalnych, a nie po prostu na ukrytej masie przeoczonej przez obserwatora.
REDMOD następnie przekazuje wybrane pomiary do trzech konwencjonalnych metod uczenia maszynowego. Są to regresja logistyczna, random forest oraz extreme gradient boosting.
Każda metoda oblicza prawdopodobieństwo. System uśrednia te wyniki poprzez miękkie głosowanie i przekształca połączone prawdopodobieństwo w klasyfikację.
Ten zespół modeli ma znaczenie, ponieważ trzy metody wychwytują różne zależności. Regresja logistyczna preferuje prostsze granice, podczas gdy modele oparte na drzewach mogą reprezentować interakcje nieliniowe.
W procesie treningowym zastosowano także Synthetic Minority Over-sampling Technique, znaną jako SMOTE. Metoda ta tworzy syntetyczne przykłady w klasie mniejszościowej, aby zmniejszyć nierównowagę podczas treningu.
SMOTE nie dodaje prawdziwych pacjentów. Pomaga klasyfikatorowi nauczyć się granicy decyzyjnej, nie pozwalając większej grupie kontrolnej dominować nad każdą predykcją.
Model obejmuje regulowany próg klasyfikacji. Szpital mógłby dostosować ten próg w kierunku większej czułości albo większej swoistości bez ponownego trenowania podstawowych algorytmów.
Ta elastyczność jest użyteczna, lecz przenosi istotną decyzję na etap wdrożenia klinicznego. Niższy próg może wykryć więcej nowotworów, ale wygeneruje też więcej wyników fałszywie dodatnich.
Wyższy próg może ograniczyć niepotrzebną dalszą diagnostykę, lecz przeoczyć więcej wczesnych przypadków choroby. Technicznie najlepszy próg nie jest zatem automatycznie najbezpieczniejszym wyborem klinicznym.
Mayo Clinic podaje, że zamierzonym wynikiem jest dodatkowy sygnał ryzyka, a nie zautomatyzowana diagnoza raka. Jego podsumowanie kliniczne opisuje REDMOD jako uzupełnienie pracy radiologów i gastroenterologów.
Ta rola zachowuje udział człowieka w ocenie każdej późniejszej decyzji. Uznaje również, że statystyczna sygnatura tekstury nie może potwierdzić złośliwości bez dalszej oceny klinicznej.
REDMOD kontra radiolodzy to niewłaściwy ostateczny pojedynek
Badanie pokazuje, że AI wykryła więcej sygnałów przed diagnozą, ale praktyczny system nadal zależy od radiologów interpretujących te alerty.
Dwóch certyfikowanych radiologów specjalizujących się w obrazowaniu jamy brzusznej oceniło niezależny zbiór testowy bez znajomości wyników. Oceniali, czy każda trzustka wyglądała prawidłowo, czy wykazywała chorobę przed diagnozą.
Ich łączna czułość wyniosła 38,9%, w porównaniu z 73% dla REDMOD. Różnica była istotna statystycznie.
Wynik ten nie oznacza, że radiolodzy źle wykonywali swoją codzienną pracę. Oceniali skany bez widocznej masy, które pierwotni kliniczni interpretatorzy również uznali za negatywne.
REDMOD analizował inną warstwę informacji. Mierzył wzorce matematyczne, których ludzkie oko rutynowo nie kwantyfikuje.
Radiolodzy zachowali wyższą swoistość w niektórych porównaniach. Ta przewaga ma znaczenie, ponieważ wyniki fałszywie dodatnie mogą prowadzić do ponownego obrazowania, ultrasonografii endoskopowej, biopsji, operacji lub długotrwałego monitorowania.
Ajit Goenka, główny autor badania, opisał model jako system uzupełniający w komentarzu klinicznym. Radiolog sporządzałby standardowy opis, natomiast REDMOD dodawałby odrębny wynik ryzyka.
Taki proces zmienia sposób postrzegania przeciwnika. Użyteczne porównanie nie dotyczy maszyny i lekarza, lecz oceny wspomaganej przez AI i samej konwencjonalnej oceny.
Alert AI mógłby skłonić radiologa do ponownej oceny trzustki. Mógłby również skierować przypadek do zespołu wielodyscyplinarnego łączącego radiologię, gastroenterologię, onkologię i genetykę ryzyka.
U pacjenta z nowo rozpoznaną cukrzycą lub niewyjaśnioną utratą masy ciała podwyższony wynik mógłby uzasadniać ściślejsze monitorowanie. Lekarze mogliby rozważyć MRI, ultrasonografię endoskopową, obrazowanie molekularne lub krótszy odstęp do kolejnej kontroli.
U pacjenta o przeciętnym ryzyku, bez objawów, ten sam wynik mógłby mieć inne znaczenie. Ryzyko fałszywego alarmu byłoby wyższe, ponieważ podstawowe prawdopodobieństwo nowotworu jest niższe.
Szpitale potrzebują więc czegoś więcej niż jednej wartości czułości. Potrzebują wyników rozdzielonych według wieku, płci, rasy, statusu cukrzycy, producenta skanera, protokołu obrazowania i wskazania klinicznego.
Badanie obejmowało skany z wielu instytucji, systemów i protokołów. Ta różnorodność wzmacnia dowody, że REDMOD nie zapamiętał ustawień obrazowania jednego szpitala.
Badacze przetestowali również swoistość w dwóch dodatkowych grupach kontrolnych. Osiągnęła ona 81,3% w wieloośrodkowej kohorcie 539 skanów oraz 87,5% w publicznym zbiorze danych obejmującym 80 skanów.
Te kontrole są pomocne, ale nie zastępują prospektywnego wdrożenia. Badacze retrospektywni już wiedzą, u których pacjentów ostatecznie rozwinął się nowotwór, i mogą tworzyć starannie zdefiniowane grupy porównawcze.
Rzeczywiste kolejki kliniczne są bardziej chaotyczne. Pacjenci mają artefakty ruchowe, zmienioną anatomię, zapalenie trzustki, torbiele, przebyte operacje, niepełną historię medyczną oraz skany wykonane z wielu niezwiązanych ze sobą powodów.
Skuteczny system musi obsługiwać takie przypadki bez cichego zawodzenia. Musi też komunikować niepewność w formie zrozumiałej dla lekarzy podczas intensywnej sesji opisywania badań.
Niewyjaśnione czerwone ostrzeżenie sprzyjałoby błędowi automatyzacji. Skalibrowany wynik ryzyka wraz ze wskazaniem wspierających obszarów obrazu i informacją o trendzie uczyniłby ocenę łatwiejszą do uzasadnienia.
Pomóc może stabilność w czasie. REDMOD generował spójne klasyfikacje w kolejnych skanach w 90%–92% ocenianych przypadków.
Spójność może wskazywać, że alert reprezentuje trwały sygnał, a nie losowy szum obrazu. Nadal jednak możliwy jest spójny błąd, więc stabilność nie stanowi dowodu prawdy biologicznej.
Czego liczby REDMOD nie dowodzą
Wykrywanie retrospektywne nie jest jeszcze dowodem, że REDMOD zmniejsza śmiertelność, zapobiega niepotrzebnym procedurom lub działa bezpiecznie w rutynowych badaniach przesiewowych.
Największą niewiadomą badania jest użyteczność kliniczna. Użyteczność kliniczna pyta, czy stosowanie modelu zmienia opiekę w sposób prowadzący do lepszych wyników leczenia pacjentów.
REDMOD prawidłowo odróżnił wiele przyszłych przypadków nowotworu od grupy kontrolnej. Badacze nie przydzielali losowo pacjentów do opieki wspomaganej przez AI i opieki konwencjonalnej.
W rezultacie badanie nie może określić, ile nowotworów zostałoby leczonych wcześniej. Nie może również wykazać, czy wcześniejsza interwencja poprawiłaby przeżycie pacjentów oznaczonych przez model.
Błąd związany z czasem wyprzedzenia komplikuje wszelkie twierdzenia o wczesnym wykrywaniu. Wykrycie nowotworu wcześniej może wydłużyć mierzony czas od diagnozy do śmierci, nie przedłużając życia pacjenta.
Badanie prospektywne musi więc ocenić stadium choroby, kwalifikację do resekcji, leczenie, powikłania, jakość życia i śmiertelność swoistą dla nowotworu. Sam czas wykrycia jest niewystarczający.
Konsekwencje wyników fałszywie dodatnich wymagają równie dużej uwagi. Przy swoistości 81,1% około 19% osób z grupy kontrolnej w warunkach testowych otrzymało klasyfikację dodatnią przy wybranym progu.
Tego odsetka nie można bezpośrednio przełożyć na wynik populacyjnego programu badań przesiewowych, ponieważ badanie wykorzystywało wyselekcjonowaną kohortę. Pokazuje on jednak, dlaczego znaczenie ma dalszy protokół postępowania.
Biopsja i operacja trzustki nie są drobnymi interwencjami. Nawet dodatkowe badania obrazowe mogą wiązać się z ekspozycją na promieniowanie, przypadkowymi znaleziskami, kosztami i lękiem.
NCI wymienia wyniki fałszywie dodatnie, nadrozpoznawalność, nadmierne leczenie i wyniki fałszywie ujemne jako potencjalne szkody związane z badaniami przesiewowymi. Każdy proces z REDMOD musi mierzyć każdą z tych kategorii.
Kolejna niepewność dotyczy przyczynowości. Wzorce radiomiczne mogą odzwierciedlać wczesną biologię nowotworu, stan zapalny, zmiany metaboliczne, starzenie się, działanie skanera lub kilka łącznych efektów.
Analiza falkowa w badaniu wspiera istnienie sygnału opartego na tkankach. Nie wyjaśnia jednak w pełni, które procesy biologiczne generują ten sygnał.
Powiązany problem dotyczy konstrukcji etykiet. Każdy skan przed rozpoznaniem pochodził od osoby, u której później zdiagnozowano nowotwór, więc analiza spoglądała wstecz od znanego wyniku.
System prospektywny musi wskazywać nowotwór wśród osób, których przyszłość jest nieznana. Ta różnica może ujawnić błędy ukryte przez retrospektywną selekcję przypadków.
Stosunek przypadków do kontroli nadal znacznie przewyższa rzeczywistą zachorowalność populacyjną. Nawet stabilna swoistość może prowadzić do dużej liczby fałszywych alertów, gdy przetwarzane są miliony skanów osób o niskim ryzyku.
Wdrożenie powinno zatem rozpocząć się od grup o podwyższonym ryzyku. Nowo rozpoznana cukrzyca, dziedziczna podatność, torbiele trzustki, przewlekłe zapalenie trzustki i silny wywiad rodzinny stanowią wiarygodne punkty wyjścia.
Każda grupa ma inne ryzyko wyjściowe. Próg odpowiedni dla jednej grupy może działać słabo w innej.
Badacze muszą również sprawdzić, czy skuteczność pozostaje sprawiedliwa dla różnych populacji pacjentów. Walidacja wieloośrodkowa nie gwarantuje automatycznie sprawiedliwości demograficznej.
Protokoły CT mogą różnić się fazą kontrastowania, grubością warstwy, metodą rekonstrukcji i sprzętem skanera. Te różnice mogą zmieniać pomiary tekstury, od których zależy REDMOD.
Zewnętrzne wyniki swoistości są zachęcające, ale czułość nadal wymaga szerokich testów zewnętrznych. Model, który unika wyników fałszywie dodatnich w różnych ośrodkach, może mimo to przeoczać wzorce nowotworowe w niedostatecznie reprezentowanej populacji.
Status regulacyjny i integracja z procesem pracy stanowią dodatkowe bariery. Szpitale potrzebują zwalidowanego oprogramowania, kontroli jakości, śledzenia wersji, zabezpieczeń cybernetycznych i jasnej odpowiedzialności za przeoczone alerty.
Lekarze potrzebują również wytycznych dotyczących znaczenia podwyższonego wyniku. Bez uzgodnionej reakcji ostrzeżenie może tworzyć niepewność zamiast użytecznego działania.
Właściwy wniosek powinien być wyważony. AI Mayo Clinic do wykrywania raka trzustki znalazła znaczący sygnał w retrospektywnych skanach CT, ale nie ustanowiła programu badań przesiewowych dla populacji.
Trzy sygnały zdecydują, czy REDMOD trafi do praktyki klinicznej
Wyniki prospektywne, obciążenie fałszywymi wynikami dodatnimi oraz zmiany w wynikach leczenia pacjentów zdecydują, czy REDMOD stanie się narzędziem klinicznym.
Pierwszym sygnałem będzie wynik walidacji prospektywnej. Mayo Clinic rozwija to podejście poprzez AI-PACED, skrót od Artificial Intelligence for Pancreatic Cancer Early Detection.
Badanie zaprojektowano, aby ocenić wykrywanie wspomagane przez AI wśród pacjentów o podwyższonym ryzyku. Będzie obserwować, jak alerty modelu współdziałają z rutynowym obrazowaniem, dalszą kontrolą i oceną kliniczną.
Testy prospektywne eliminują istotną przewagę dostępną w badaniach retrospektywnych. Badacze nie mogą wybierać przypadków na podstawie wiedzy, kto ostatecznie otrzymał diagnozę nowotworu.
Jeśli czułość i swoistość pozostaną zbliżone do wyników retrospektywnych, zaufanie do REDMOD wzrośnie. Znaczny spadek skuteczności osłabiłby argumenty za wdrożeniem.
Drugim sygnałem jest dodatnia wartość predykcyjna modelu w każdej docelowej grupie pacjentów. Liczba ta pokazuje, ile alertów odpowiada rzeczywistemu nowotworowi.
Badacze powinni podawać ją obok czułości i swoistości. Powinni również liczyć dodatkowe skany, skierowania do specjalistów, procedury endoskopowe, biopsje i operacje uruchomione na każdy wykryty nowotwór.
Dopuszczalny wskaźnik wyników fałszywie dodatnich w klinice wysokiego ryzyka może być nieakceptowalny dla wszystkich badań CT jamy brzusznej. Twierdzenia dotyczące wdrożenia powinny zatem wskazywać dokładną populację i próg.
Trzecim sygnałem będzie przesunięcie w kierunku klinicznie istotnych wyników. Wcześniejsze stadium w chwili diagnozy byłoby użyteczne, lecz większa kwalifikacja do operacji i lepsze przeżycie swoiste dla nowotworu stanowiłyby mocniejsze dowody.
Badacze powinni również mierzyć szkody. System nie może twierdzić, że osiągnął sukces kliniczny, jeśli wykrywa więcej wczesnych nowotworów, powodując jednocześnie znaczną liczbę niepotrzebnych interwencji.
Najbardziej wiarygodna ścieżka wdrożenia zaczyna się wąsko. Szpitale mogłyby analizować istniejące skany z dobrze zdefiniowanych grup wysokiego ryzyka, a następnie rozszerzać zastosowanie wyłącznie wtedy, gdy dowody prospektywne poprą każdą nową populację.
REDMOD należy również postrzegać jako element szerszego zestawu narzędzi wykrywania. Historia kliniczna, biomarkery krwi, wzorce cukrzycy, genetyka i obrazowanie mogą działać lepiej razem niż każdy pojedynczy sygnał.
Łączenie narzędzi może stworzyć efektywną sekwencję. Niskokosztowy model ryzyka mógłby wskazywać kandydatów, REDMOD analizowałby istniejące obrazy CT, a ukierunkowane procedury mogłyby potwierdzać podejrzane wyniki.
Takie podejście zachowałoby największą zaletę REDMOD. Wydobywa więcej informacji ze skanów, które już istnieją, bez wymagania od radiologów dostrzegania wzorców poniżej granicy normalnej percepcji wzrokowej.
Uwzględniałoby również obecne ograniczenia modelu. REDMOD dostarcza oszacowanie ryzyka wymagające kontekstu klinicznego, a nie definitywną diagnozę.
Dla lekarzy i zespołów medycznej AI kolejne pytanie jest konkretne: czy badania prospektywne mogą zachować przewagę REDMOD w wykrywaniu, jednocześnie utrzymując akceptowalne obciążenie dalszą diagnostyką?
Dla pacjentów przekaz wymaga podobnej ostrożności. Alert AI nie jest dowodem raka trzustki, a prawidłowy wynik nie może go wykluczyć.
Badanie pokazało, że rutynowe dane CT mogą zawierać wczesny sygnał. Decydującym testem będzie to, czy systemy opieki zdrowotnej potrafią przekształcić ten sygnał w bezpieczniejszą opiekę i lepsze wyniki.
