Вештачка интелигенција што ги скенира белите дробови на начин на кој тоа го прави радиологот

Секој ден, радиолозите читаат големи количини на компјутерска томографија (КТ) скенирања барајќи нешто што лесно може да се пропушти. Мал јазол. Суптилна сенка. Нешто што би можело да биде ран рак на белите дробови или, пак, воопшто да не е ништо.

Ракот на белите дробови убива повеќе луѓе глобално од кој било друг вид рак. Преживувањето е силно поврзано со тоа колку рано се открива. А работното оптоварување во повеќето одделенија за радиологија остава малку простор за видот на континуирано, двојно фокусирано внимание што всушност го бара откривањето на мала сомнителна лезија.

Студија штотуку објавена во „Scientific Reports“, од меѓународен истражувачки тим во кој се вклучени истражувачи од Технолошкиот универзитет Каунас во Литванија, изгради систем со вештачка интелигенција дизајниран да прави нешто со што постојните алатки постојано се мачат. Тој го гледа скенирањето на два начина истовремено.

Начинот на кој радиологот всушност чита скенирање

Кога радиологот работи на КТ скенирање, тој постојано ја менува перспективата. Зумира на област од интерес за да испита ситни детали. Се повлекува назад за да разбере како таа област е поврзана со целото белодробно крило. Не е ниту едното ниту другото. И двете се повторуваат во текот на читањето.

Повеќето системи со вештачка интелигенција изградени за оваа задача морале да изберат. Тие се или добри во фаќањето на фини локални детали, или се добри во разбирањето на поширокиот структурен контекст. Истовременото добивање на обете е постојан технички проблем.

Решението на тимот е модел што го нарекуваат C-Swin. Тој комбинира два различни типа на архитектура на невронска мрежа што работат заедно. Конволуционата невронска мрежа ги обработува фино зрнестите локални карактеристики, видот на детално препознавање на обрасци што ги препознава малите лезии и суптилните текстури. Swin трансформаторот, архитектура што користи пристап на поместувачки прозорец за анализа на просторните региони на сликата, го обработува поширокиот контекст. Двете компоненти работат паралелно, нивните излези се интегрирани, а не секвенцијални.

Истражувачот Инзамам Машуд Насир, од Канзамскиот универзитет во Канзам, го опишува ова едноставно. Еден дел од моделот се фокусира на мали детали, како што се ситни точки или текстури во белите дробови, додека друг дел ја разгледува целокупната слика и ја разбира пошироката слика. Можете да го замислите како да имате лупа и целосен поглед на скенирањето во исто време.

Што покажаа резултатите

Моделот беше тестиран на базата на податоци IQ-OTH/NCCD, јавно достапна колекција на КТ скенирања, класифицирајќи ги скенирањата во три категории: нормални, бенигни и малигни.

Разликувањето помеѓу бенигни (неканцерогени) нодули и малигни тумори е една од најтешките задачи во радиологијата; погрешното одредување води или до пропуштени видови на рак или до непотребни, инвазивни биопсии.

Резултатите беа силни. C-Swin постигна точност од 96,26%, со прецизност од 97,48% и F1 резултат од 97,42%. Во споредба со постојните методи, подобрувањето на точноста се движеше од 2,31% до 6,81% во зависност од споредбата.

Во медицината тие маржи не се мали. Процентен поен во дијагностичката точност, скалиран на илјадници пациенти и стотици илјади скенирања, се преведува во реални исходи.

Истражувачите се внимателни во врска со тоа што тврдат. Моделот е обучен на еден збир на податоци. Сè уште не е тестиран кај различни производители на скенери, различни протоколи за снимање или различни популации на пациенти. Насир е директен во врска со ова. Во услови на реалниот свет постојат многу варијабли и системот треба да се тестира кај сите нив пред клиничка употреба.

Оваа забелешка не го намалува наодот. Тоа е искрен опис на тоа каде се наоѓа доброто истражување пред да стане клиничка пракса. Следните чекори се клиничка валидација, тестирање во болнички средини и интеграција во постојните системи за медицинско снимање.

Зошто времето е клучно

Ракот на белите дробови сè уште најчесто се дијагностицира доцна, кога опциите за лекување се потесни, а исходите потешки. Јазот помеѓу она што е биолошки можно и она што всушност стигнува до пациентите на време е еден од дефинирачките проблеми во онкологијата.

Алатките со вештачка интелигенција кои навистина ги намалуваат пропуштените случаи и ги намалуваат стапките на лажно позитивни резултати, што значи помалку пациенти испратени на непотребни процедури и вознемиреноста што доаѓа со нив, ги решаваат обете страни на тој проблем одеднаш.

Насир истакнува дека архитектурата не е ограничена само на ракот на белите дробови. Секоја задача за медицинско снимање што бара и детална локална анализа и пошироко разбирање на структурата би можела да има корист од истиот пристап. Тумори на мозокот, рак на дојка и заболувања на очите се споменуваат како потенцијални примени.

Поголемата слика

Оваа недела, извршниот директор на Google DeepMind, Демис Хасабис, даде две значајни интервјуа, едно во подкастот 20VC со Хари Стебингс и едно со научниот комуникатор Клео Абрам, опфаќајќи ја својата визија за тоа што вештачката интелигенција може да направи во медицината. Неговата доследна порака беше дека најважната работа на вештачката интелигенција не е во производите за широка потрошувачка. Туку во победата над болестите. Тој зборуваше за желбата да го види процесот на откривање лекови, кој трае една деценија, скратен на месеци. За тоа како вештачката интелигенција ќе стигне до точката каде што медицината повеќе нема да изгледа како што изгледа денес.

Трудот на C-Swin не е од таа скала на амбиција. Тоа е еден модел, еден збир на податоци, еден внимателно ограничен збир на резултати што чекаат клиничка валидација. Но, токму така се покрива растојанието помеѓу тука и таму. Не со единечни скокови, туку во студии како оваа, внимателно направени, јавно објавени и изградени од следниот тим.

Биологијата на ракот на белите дробови станува сè подобро разбрана. Третманите почнуваат да следат. А сега, полека, така се развива и механизмот за откривање.

Извор: Јусафзаи СН, Насир ИМ, Мансур С и др. Хибриден пристап на длабинско учење кој ги интегрира CNN и трансформаторот за класификација на рак на белите дробови со употреба на КТ скенирања. Научни извештаи. 2026. doi:10.1038/s41598-026-41161-7

Слика: Илустрација генерирана од вештачка интелигенција