Οι μεταστατικοί όγκοι και τα καρκινικά κύτταρα που ξεφεύγουν από τον ιστό προέλευσης τους, ταξιδεύουν μέσω του κυκλοφορικού συστήματος ή των λεμφικών συστημάτων και σχηματίζουν νέους όγκους σε άλλα μέρη του σώματος και είναι δύσκολο να εντοπιστούν.
Μια μελέτη του 2009 που συμπεριέλαβε 102 ασθενείς με καρκίνο του μαστού σε δύο κέντρα υγείας της Βοστώνης διαπίστωσε ότι ένας στους τέσσερις επηρεάστηκε από αποτυχίες στη”διαδικασίας φροντίδας” όπως ανεπαρκείς φυσικές εξετάσεις και ελλιπείς διαγνωστικές εξετάσεις, και κατά συνέπεια επήλθε η μετάσταση του καρκίνου.
Αυτός είναι ένας από τους λόγους που σχεδόν μισό εκατομμύριο γυναίκες πεθαίνουν παγκοσμίως και προκαλούνται από τον καρκίνο του μαστού, το οποίο εκτιμάται ότι το 90% είναι το αποτέλεσμα της μετάστασης. Ωστόσο, οι ερευνητές του ναυτικού ιατρικού κέντρου του Σαν Ντιέγκο και του Google AI (τμήμα έρευνας για την τεχνητή νοημοσύνη), έχουν αναπτύξει μια πολλά υποσχόμενη λύση που χρησιμοποιεί αλγόριθμους ανίχνευσης του καρκίνου και αξιολογεί αυτόνομα τις βιοψίες των λεμφαδένων.
Το συγκεκριμένο σύστημα τεχνητής νοημοσύνης που ονομάζεται Lymph Node Assistant ή LYNA – περιγράφεται σε μία επιστημονική έκθεση με τίτλο “Τεχνητή νοημοσύνη βασισμένη στον καρκίνο του μαστού”, που δημοσιεύτηκε στο αμερικανικό περιοδικό της χειρουργικής παθολογίας.
Στις δοκιμές, κατάφερε να πετύχει ένα ασύλληπτο ποσοστό επιτυχίας που φτάνει το 99%. Αυτή η αποτελεσματικότητα του συστήματος είναι δραματικά αποτελεσματικότερη από εκείνη των εξειδικευμένων παθολόγων, οι οποίοι, σύμφωνα με μια πρόσφατη εκτίμηση, δυστυχώς τους διαφεύγουν κάποιες μικρές μεταστάσεις και το ανωτέρω ποσοστό επιτυχίας τους ανέρχεται στο 62%, και μάλιστα ορισμένες φορές ο ανθρώπινος παράγοντας παρουσιάζει εμφανής χρονοτριβή και καθυστέρηση έως καταφέρει να διαγνώσει τον μεταστατικό καρκίνο, κάτι που δεν υφίσταται στην τεχνητή νοημοσύνη.
Η επιστημονική έκθεση που δημοσιεύτηκε αναφορικά με αυτό το ζήτημα, εξηγεί πως: «Οι αλγόριθμοι της τεχνητής νοημοσύνης μπορούν να αξιολογήσουν εξαντλητικά κάθε περιστατικό, μεμονωμένα και αναλυτικά. «Παρέχουμε ένα πλαίσιο για να βοηθήσουμε τους παθολόγους να αξιολογούν τέτοιους αλγορίθμους και να τους υιοθετήσουν στην τρέχουσα ροή εργασίας τους (παρόμοια με τον τρόπο που ο παθολόγος αξιολογεί τα αποτελέσματα της ιστοχημεία)».
Το LYNA βασίζεται στο μοντέλο Inception-v3, ένα μοντέλο αναγνώρισης εικόνων ανοιχτού κώδικα, το οποίο έχει αποδειχθεί ότι επιτυγχάνει ακρίβεια μεγαλύτερη από 78,1% και άνω στο σύνολο δεδομένων ImageNet του Stanford. Όπως εξήγησαν οι ερευνητές, εξετάζει μία εικόνα 299-pixel (προεπιλεγμένο μέγεθος εικόνων του Inception-v3), και στη συνέχεια αναλύει διεξοδικά τους όγκους στο επίπεδο των pixel κα μετά τα εξάγει ως ετικέτες – δηλαδή προβλέψεις και τα ταξινομεί ως καλοήθη ή κακοήθη όγκο.
Η Google έχει επενδύσει αρκετά χρήματα σε εφαρμογές τεχνητής νοημοσύνης για την υγειονομική περίθαλψη. Την άνοιξη, η ομάδα του Medical Mountain της Google ισχυρίστηκε ότι δημιούργησε ένα σύστημα ΑΙ που θα μπορούσε να προβλέψει την πιθανότητα επανεισδοχής των ασθενών στο νοσοκομείο και ότι το είχαν χρησιμοποιήσει τον περασμένο Ιούνιο για να προβλέψει τα ποσοστά θνησιμότητας σε δύο νοσοκομεία με ακρίβεια 90%.
Επίσης τον περασμένο Φεβρουάριο, οι επιστήμονες από την Google και την Verily δημιούργησαν ένα ιατρικό μηχάνημα που βασίζεται στη μηχανική μάθηση και μπορεί να εξαγάγει με ακρίβεια τις βασικές πληροφορίες για ένα άτομο, συμπεριλαμβανομένης της ηλικίας και της αρτηριακής πίεσης, και αν κινδυνεύει να υποστεί ένα σημαντικό καρδιακό επεισόδιο, όπως μια καρδιακή προσβολή.