"Εργαλείο" τεχνητής νοημοσύνης θα προβλέπει με ακρίβεια τον καρκίνο του ήπατος

Ο καρκίνος του ήπατος αποτελεί την έκτη αιτία θανάτου από καρκίνο στο δυτικό κόσμο. Η πιο συχνή μορφή στους ενήλικες είναι το Hepatocellular carcinoma (HCC), το οποίο αντιπροσωπεύει την πλειονότητα των περιστατικών. Συνήθως εμφανίζεται σε άτομα με χρόνια ηπατική νόσο, όπως ηπατίτιδα ή κίρρωση. Ένα σημαντικό πρόβλημα είναι ότι το HCC διαγιγνώσκεται συχνά σε προχωρημένο στάδιο, καθώς στα αρχικά στάδια δεν παρουσιάζει συμπτώματα. Οι υπάρχουσες οδηγίες προληπτικού ελέγχου επικεντρώνονται κυρίως σε άτομα με ήδη γνωστή ηπατική νόσο. Ωστόσο, περίπου το 20% των περιπτώσεων εμφανίζεται σε άτομα χωρίς εμφανή ηπατική βλάβη, γεγονός που αυξάνει τον κίνδυνο καθυστερημένης διάγνωσης σε αυτή την ομάδα. Νέα μελέτη, δημοσιευμένη στο Cancer Discovery, δείχνει ότι ένα εργαλείο μηχανικής μάθησης μπορεί να προβλέψει με μεγάλη ακρίβεια τον κίνδυνο εμφάνισης HCC.

Η έγκαιρη διάγνωση είναι κρίσιμη, καθώς σε προχωρημένα στάδια οι θεραπευτικές επιλογές είναι περιορισμένες. Για τον λόγο αυτό, υπάρχει αυξανόμενο ενδιαφέρον για τη χρήση της τεχνητής νοημοσύνης στην πρώιμη ανίχνευση του καρκίνου του ήπατος. Μια νέα μελέτη, δημοσιευμένη στο Cancer Discovery, δείχνει ότι ένα εργαλείο μηχανικής μάθησης μπορεί να προβλέψει με μεγάλη ακρίβεια τον κίνδυνο εμφάνισης HCC.

Κενά στις υπάρχουσες μεθόδους πρόληψης

Αν και η χρόνια ηπατική νόσος αποτελεί τον σημαντικότερο παράγοντα κινδύνου, υπάρχουν και άλλοι παράγοντες που επηρεάζουν την εμφάνιση HCC, όπως το φύλο, το κάπνισμα και η αυξημένη κατανάλωση αλκοόλ. Η ύπαρξη πολλών διαφορετικών παραγόντων καθιστά δύσκολο τον εντοπισμό των ατόμων υψηλού κινδύνου στην καθημερινή ιατρική πρακτική.

Για να αντιμετωπιστεί αυτό το πρόβλημα, ερευνητική ομάδα με επικεφαλής την Carolin Schneider από το RWTH Aachen University χρησιμοποίησε τεχνικές μηχανικής μάθησης. Αυτές οι τεχνικές μπορούν να αναλύσουν μεγάλα και πολύπλοκα σύνολα δεδομένων και να εντοπίσουν μοτίβα που δεν είναι εύκολα ορατά με παραδοσιακές μεθόδους.

Οι ερευνητές αξιοποίησαν δεδομένα από το UK Biobank, το οποίο περιλαμβάνει πληροφορίες υγείας από περισσότερους από 500.000 ανθρώπους. Από αυτούς, εντοπίστηκαν 538 περιπτώσεις HCC, με σχεδόν το 70% να αφορά άτομα χωρίς προηγούμενη διάγνωση ηπατικής νόσου.

Το μοντέλο εκπαιδεύτηκε στο 80% των δεδομένων και δοκιμάστηκε στο υπόλοιπο 20%. Επιπλέον, για επιβεβαίωση των αποτελεσμάτων, χρησιμοποιήθηκε και το All of Us Research Program, με πάνω από 400.000 συμμετέχοντες και μεγαλύτερη ποικιλομορφία πληθυσμού, όπου καταγράφηκαν 445 περιπτώσεις HCC.

Αποτελεσματικότητα του μοντέλου

Το μοντέλο βασίστηκε σε έναν αλγόριθμο «random forest», ο οποίος συνδυάζει πολλαπλά δέντρα αποφάσεων για να παράγει προβλέψεις. Η πιο αποτελεσματική εκδοχή (Model C) συνδύαζε δημογραφικά στοιχεία, ιατρικά αρχεία και απλές εξετάσεις αίματος.

Η ακρίβεια αξιολογήθηκε μέσω του δείκτη AUROC, όπου το μοντέλο πέτυχε βαθμολογία 0,88 (με το 1 να είναι το τέλειο αποτέλεσμα). Αυτό δείχνει υψηλή ικανότητα διάκρισης μεταξύ ασθενών με και χωρίς HCC.

Εντυπωσιακά, η προσθήκη πιο σύνθετων δεδομένων, όπως γενετικές πληροφορίες, δεν βελτίωσε σημαντικά την απόδοση. Αυτό σημαίνει ότι η πρόβλεψη κινδύνου μπορεί να γίνει με απλά, εύκολα διαθέσιμα κλινικά δεδομένα, χωρίς την ανάγκη ακριβών εξετάσεων.

Σύγκριση με υπάρχοντα εργαλεία

Οι ερευνητές συνέκριναν το νέο μοντέλο με υπάρχοντα εργαλεία, όπως FIB-4, APRI, NFS και aMAP, τα οποία χρησιμοποιούνται για την εκτίμηση του κινδύνου σε ασθενείς με γνωστή ηπατική νόσο. Το νέο μοντέλο αποδείχθηκε πιο αποτελεσματικό, εντοπίζοντας περισσότερες πραγματικές περιπτώσεις καρκίνου και μειώνοντας τα ψευδώς θετικά αποτελέσματα.

Για να γίνει πιο πρακτικό, το μοντέλο απλοποιήθηκε περαιτέρω ώστε να χρησιμοποιεί μόνο 15 βασικές κλινικές παραμέτρους, διατηρώντας υψηλή απόδοση. Αυτό το καθιστά εύκολα εφαρμόσιμο σε διαφορετικά συστήματα υγείας.

Το νέο εργαλείο θα μπορούσε να βοηθήσει τους γιατρούς πρωτοβάθμιας φροντίδας να εντοπίζουν άτομα υψηλού κινδύνου που σήμερα δεν καλύπτονται από τα υπάρχοντα κριτήρια ελέγχου. Έτσι, θα μπορούν να παραπέμπονται έγκαιρα για περαιτέρω εξετάσεις.

Η σημασία αυτού είναι μεγάλη, καθώς το HCC είναι επιθετική μορφή καρκίνου, αλλά αντιμετωπίζεται πιο αποτελεσματικά όταν εντοπίζεται νωρίς. Επιπλέον, το μοντέλο φάνηκε να λειτουργεί καλά και σε πληθυσμούς με διαφορετικά δημογραφικά χαρακτηριστικά, γεγονός που υποδηλώνει ευρύτερη εφαρμογή.

Παρά τα ενθαρρυντικά αποτελέσματα, η μελέτη έχει ορισμένους περιορισμούς. Μεταξύ αυτών είναι ο αναδρομικός σχεδιασμός και ο μικρός αριθμός συμμετεχόντων με ιογενή ηπατίτιδα, έναν σημαντικό παράγοντα κινδύνου. Οι ερευνητές τονίζουν την ανάγκη για περαιτέρω μελέτες σε πραγματικές συνθήκες και σε περισσότερα κέντρα, ώστε να επιβεβαιωθεί η αποτελεσματικότητα του μοντέλου.

Απολαμβάνετε το περιεχόμενο μας? Εγγραφείτε στο newsletter μας!

Συμπερασματικά, τα ευρήματα αναδεικνύουν τη δυναμική της τεχνητής νοημοσύνης στην ιατρική, ιδιαίτερα στην έγκαιρη διάγνωση σοβαρών ασθενειών όπως ο καρκίνος του ήπατος. Αν επιβεβαιωθούν, τέτοια εργαλεία θα μπορούσαν να βελτιώσουν σημαντικά την πρόληψη και την επιβίωση των ασθενών.