Istraživači sa Instituta za rak Dana-Farber pronašli su način da koriste veštačku inteligenciju (AI) za dijagnozu gubitka mišića, nazvanog sarkopenija, kod pacijenata sa rakom glave i vrata. AI obezbeđuje brzu, automatizovanu i preciznu procenu koja oduzima previše vremena i sklona greškama da bi je izvršili ljudi. Alat, objavljen u JAMA Network Open, mogao bi da se koristi od strane lekara za poboljšanje lečenja i podrške za pacijente.
„Sarkopenija je pokazatelj da pacijent ne radi dobro. Alat u realnom vremenu koji nam govori kada pacijent gubi mišićnu masu bi nas pokrenuo da intervenišemo i učinimo nešto što pomaže da pomognemo“, kaže glavni autor Benjamin Kann, MD, a. radijacioni onkolog na Odeljenju za radijacionu onkologiju Centra za rak Dana-Farber Brigham.
Rak glave i vrata se obično leči kombinacijama hirurgije, zračenja i hemoterapije. Tretmani mogu biti lekoviti, ali takođe mogu imati oštre neželjene efekte. Pacijenti ponekad imaju problema da piju i jedu tokom i nakon tretmana, što dovodi do loše ishrane i sarkopenije.
Sarkopenija je povezana sa povećanom šansom da vam je potrebna sonda za hranjenje, lošijim kvalitetom života i lošijim ishodima uopšte, uključujući raniju smrt. „Mišićna masa je veoma važan pokazatelj zdravlja“, kaže Kan. „Ljudi sa više mišićne mase su generalno zdraviji i robusniji.“
Lekari mogu da procene mišićnu masu analizom kompjuterizovane tomografije (CT) abdomena ili vrata. CT skeniranja vrata su uobičajena i česta kod pacijenata sa karcinomom glave i vrata, što daje lekarima priliku da rano identifikuju sarkopeniju i intervenišu.
Ali dijagnoza sarkopenije na osnovu CT skeniranja zahteva visoko obučenog stručnjaka da pregleda skeniranje i razlikuje mišić od drugog tkiva. To je mukotrpan posao i potrebno je do 10 minuta da se završi. „Proces je dugotrajan i opterećujući, tako da se ne radi redovno“, kaže Kan.
Kan i njegove kolege su odlučili da koriste duboko učenje, oblik AI, da dijagnostikuju sarkopeniju pomoću CT skeniranja vrata. Da bi obučili AI model, pristupili su kliničkim zapisima i CT skeniranju 420 pacijenata sa rakom glave i vrata. Stručnjak je izvršio procenu mišićne mase za svakog pacijenta na osnovu CT skeniranja i izračunao indeks skeletnih mišića (SMI). Tim je koristio rezultujući skup podataka da obuči model dubokog učenja da napravi iste procene.
„Model AI automatski razgraničava mišiće na vratu od drugih tkiva“, kaže Kan. „Rezultati su transparentni. Možete videti obris mišića kako je procenila AI i proveriti to sopstvenim očima.“
Tim je koristio drugi skup podataka koji sadrži slične podatke iz različite grupe pacijenata da bi potvrdio sposobnost AI modela da dijagnostikuje sarkopeniju. U ovom testu, model je napravio klinički prihvatljive procene mišićne mase 96,2% vremena na osnovu pregleda stručnog panela. AI model završava procenu skeniranja za približno 0,15 sekundi.
Trenutno, lekari koriste indeks telesne mase (BMI) kao indikator opadanja zdravlja u vezi sa lečenjem. Tim je uporedio koliko dobro BMI i SMI predviđaju loše ishode, kao što je ranija smrt ili potreba za sondom za hranjenje. Otkrili su da je SMI bolji prediktor loših ishoda, što ga potencijalno čini vrednijim kliničkim alatom.
„BMI je nesavršena mera“, kaže Kan. „Ne govori vam ništa o sadržaju masti ili sadržaju mišića, što su zaista komponente koje treba da merimo na klinici.
Procena sarkopenije zasnovana na veštačkoj inteligenciji mogla bi se često vršiti tokom lečenja, dajući lekarima šansu da prepoznaju pad pacijenta pre nego što dostigne kritičnu tačku. Taj znak upozorenja mogao bi da izazove intervenciju, kao što je konsultacija o ishrani, pomoćni lekovi ili fizikalna terapija.
„Ako vidimo da mišićna masa počinje da opada, možemo učiniti nešto da to sprečimo“, kaže Kan.
Alat bi se takođe mogao koristiti za usmeravanje odluka o lečenju unapred. Na primer, pacijent koji već ima sarkopeniju kada mu je dijagnostikovan rak mogao bi da prođe bolje sa nežnijim tretmanom od nekoga ko je fizički robusniji.
Za sledeće korake, Kann i kolege planiraju da primene alat na skeniranje tokom celog lečenja pacijenata u okruženju kliničkog ispitivanja. Nadaju se da će saznati više o tome kako se mišićna masa menja tokom lečenja i da nauče kako da koriste informacije za vođenje tretmana i intervencija.
