Nova otkrića o predviđanju rizika od raka pluća
Rak pluća je i dalje najsmrtonosniji rak na svetu, koji čini 1 od 5 smrtnih slučajeva izazvanih rakom. Nedavni podaci pokazuju da je broj novih slučajeva raka pluća, kao i broj umrlih od raka pluća, u kontinuiranom padu. To je pre svega posledica toga što sve više ljudi odlučuje da prestane s pušenjem, ali i zbog novih otkrića vezanih za rano otkrivanje i lečenje.
Naučnici iz različitih institucija, kao što su Tehnološki institut Masačusetsa (Kembridž), Medicinska škola Harvard (Boston) i Univerzitet Čang Gung (Tajvan), došli su do otkrića u vezi sa predviđanjem raka pluća. Izveštaj su kao prvi koautori sproveli Piter G. Mihael i Džeremi Volvend, a Ludvig Karstens, Florijan J. Fintelman i Redžina Barzilaj su zajednički doprineli kao senior autori.
Počeli su istraživanje ovom premisom:
Kompjuterska tomografija sa malim dozama zračenja (LDCT) za skrining raka pluća je efikasna, iako većina onih koji imaju predispozicije ne podleže skriningu. Alati koji omogućavaju personalizovanu procenu rizika od raka u budućnosti bi mogle da se usredsrede na pristup onima koji će od nje imati najviše koristi. Krenuli smo s pretpostavkom da deep learning model koji uzima u obzir celokupne volumetrijske LDCT podatke može biti izgrađen tako da predvidi individualni rizik, bez potrebe za dodatnim demografskim ili kliničkim podacima.
Na osnovu LDCT-a sa Nacionalnog kliničkog ispitivanja za skrining pluća (NLST), pomenuti naučnici razvili su model pod nazivom Sybil.
Model je testiran na 6.282 LDCT-a među ispitanicima NLST-a, 8.821 LDCT-a iz Opšte bolnice Masačusets (MGH) i 12.280 LDCT-a iz Memorijalne bolnice Čang Gung. Ispitanici u ovom uzorku imali su raznovrsnu istoriju pušenja, uključujući i nepušače.
Ako vas zanimaju tačni brojevi i procenti, ili ako znate kako da ih protumačite, ohrabrujemo vas da pogledate originalni članak. Ako to nije slučaj, ovo je najvažniji zaključak iz pomenutog članka:
Sybil može precizno da predvidi budući rizik od raka pluća svakog pojedinca, na osnovu samo jednog LDCT skeniranja, te da tako omogući personalizovani skrining.
Ono što je neobično je što se dijagnostifikovanje raka pluća rapidno povećava među nepušačima ili onima koji retko puše, što je još jedan razlog zašto skrining treba da postane rasprostranjeniji i efikasniji.
Ne samo to, skining treba proširiti na veći broj okorelih pušača, ali i na nedavno pogođenu grupu.
Zašto?
Zato što trenutno postoji ogroman jaz između grupe na kojoj se vrši ispitivanje i dela populacije koji oboljeva.
Toliko veliki jaz da preko 50% žena širom sveta kojima je dijagnostikovan rak pluća su nepušači, u poređenju sa 15-20% nepušača muškaraca.
To je takođe glavni razlog zašto su naučnici sa Tajvana pozvani da se priključe istraživanju, budući da oni rade skrining i sa nepušačima.
Kako se ispostavilo, osmisliti sofisticirani algoritam im nije bila jedina briga; motivisati ljude da se uključe u dugoročna ispitivanja je bio još jedan izazov s kojim su morali da se pozbave.
Kako Sybil radi?
Prethodnih godina se pokazalo da su dva velika ispitivanja u kontrolisanim uslovima, NLST i Nelson, oba zasnovana na LDCT-u, efikasna u skriningu raka pluća (LCS), te da su doprinela smanjenju smrtnosti od raka pluća za 20 i 24 odsto.
Tako je Američka radna grupa za preventivne usluge (Preventive Services Task Force) uvela godišnje testiranje za one starije od 50 godina, sa 20-godišnjom istorijom pušenja.
Problem je, kako su istakli pomenuti naučnici, u tome što manje od 10% stanovništva koje odgovara ovom opisu zapravo učestvuje u skriningu. Štaviše, i oni koji su bili na ispitivanju, ne mogu se smatrati reprezentativnim primerima zato što im nije ukazano na važnost narednih skrininga i dugoročnog praćenja.
Ali to nije bio jedini problem.
Većina prethodnih iskoraka u poboljšanju skrininga bila je fokusirana na identifikovanje onih koji su pod najvećim rizikom za rak pluća, te na usmeravanje raspoloživih resursa za njihove skrininge. Međutim, ti skrininzi su se sastojali od kliničkih i demografskih varijabli, kao i radiografiji grudnog koša kako bi se utvrdile pravilnosti za rizik od raka pluća među pušačima. Propratni skrining se uglavnom oslanjao na procenu vidljivih plućnih čvorova.
Noviji algoritmi za otkrivanje raka uveli su deep learning i uspeli u predviđanju raka pluća u roku od 1-2 godine. Međutim, ni oni nisu uspeli da maksimalno iskoriste podatke sa slika sa pređašnjih skrininga pacijenta, kažu pomenuti naučnici.
Kako je Sybil tome pristupila?
- Unapredila je skrining uvođenjem individualizovanih modela rizika za predviđanje raka pluća;
- Ukombinovala je demografske informacije, kliničke faktora rizika i radiološke napomene radi poboljšanja postojećih modela.
Pretpostavili smo da LDCT slike sadrže informacije koje predviđaju budući rizik od raka pluća izvan dosadašnjih poznatih karakteristika, kao što su plućni čvorovi. Algoritam koji ide dalje od plućnih čvorova kako bi predvideo budući rizik od raka pluća nekoliko godina unapred mogao bi dodatno da unapredi lečenje pacijenata i strategije implementacije skrininga.
Pored toga, na osnovu samo jednog CT skeniranja sa malom dozom zračenja, i zahvaljujući prikupljanju podataka u poslednjih 15 godina, Sybil je u stanju da predvidi rak pluća koji se javlja 1-6 godina nakon skeniranja.
I ne samo to, nego je ovaj deep learning model u stanju da predvidi i kratkoročni i dugoročni rizik od raka pluća.
Nakon inicijalnog skrininga, rezultat modela Sybil se dodatno evaluira putem modernih i nezavisnih testova iz Opšte bolnice Masačusets i Memorijalne bolnice Čang Gung u Tajvanu.
Za sada, Sybil pokazuje podjednako precizne rezultate među raznovrsnog grupom u pacijenata i iz SAD i sa Tajvana.
Najbolji deo je to što je kôd javno dostupan.
Šta bi Sybil mogla da promeni u kliničkoj primeni?
Kao što je istaknuto u originalnom članku, Sibil je u stanju da precizno ustanovi lokaciju budućih karcinoma i verovatnoću da LDCT dobije visokorizičnu ocenu.
Drugim rečima, kada predvidi visok rizik od raka pluća, može da signalizira konkretnu regiju koja je ugrožena, umesto da upućuje na celi grudni koš.
Štaviše, može da izvede zaključke o biološki relevantnim informacijama, kao što je trajanje pušenja, direktno na osnovu LDCT slika.
U stvari, sibile su bila proročišta tokom ove ere, a najpoznatije među njima locirano je u Delfima, i datira još od jedanaestog veka pre nove ere.
Dakle, glavna razlika između dosadašnjih modela i Sybil je u tome što:
- Oni ili predviđaju rizik pre nego što se izvrši skeniranje i mogu da se koriste za usmeravanje visokorizičnih pacijenata ka skriningu, ili;
- Oni predviđaju rizik nakon izvršenog skeniranja i koriste podatke iz skeniranja.
Pored toga, modeli koji nalikuju Sybil nisu mogli da se direktno uporede, jer njihov kôd nije javno dostupan.
Naposletku, još jedna korisna primena Sybil može biti za smanjenje propratnih skeniranja ili biopsije kod pacijenata sa plućnim čvorovima niskog rizika.
