Το πρώτο παγκοσμίως μοντέλο τεχνητής νοημοσύνης (ΤΝ) που ταξινομεί τόσο το στάδιο όσο και την κατηγορία κινδύνου ανάπτυξης του καρκίνου του θυρεοειδούς παρουσίασε μια διεπιστημονική ερευνητική ομάδα. Το καινοτόμο αυτό μοντέλο υπόσχεται να μειώσει σημαντικά τον χρόνο προετοιμασίας των γιατρών πριν από τις ιατρικές επισκέψεις, έως και κατά 50%.
Ο καρκίνος του θυρεοειδούς συγκαταλέγεται στους πιο συχνούς παγκοσμίως. Η ακριβής διαχείρισή του βασίζεται κυρίως σε δύο συστήματα:
- Advertisement -
- Την 8η έκδοση του συστήματος TNM (Tumor-Node-Metastasis) της Αμερικανικής Μικτής Επιτροπής για τον Καρκίνο (AJCC)
- Το σύστημα ταξινόμησης κινδύνου της Αμερικανικής Εταιρείας Θυρεοειδούς (ATA).
Αυτά τα συστήματα είναι κρίσιμα για την πρόβλεψη της επιβίωσης των ασθενών και για την καθοδήγηση των αποφάσεων θεραπείας. Ωστόσο, η χειροκίνητη ανάλυση των κλινικών δεδομένων και η ενσωμάτωσή τους σε αυτά τα συστήματα μπορεί να είναι χρονοβόρα και αναποτελεσματική.
Η ερευνητική ομάδα ανέπτυξε έναν βοηθό ΤΝ που αξιοποιεί μεγάλα γλωσσικά μοντέλα (LLMs) όπως τα ChatGPT και DeepSeek, για να αναλύσει κλινικές μελέτες και να ενισχύσει την ακρίβεια και την αποτελεσματικότητα στην ταξινόμηση σταδίου και κινδύνου του καρκίνου του θυρεοειδούς.
Το μοντέλο βασίζεται σε τέσσερα ανοιχτού κώδικα offline LLM—Mistral (Mistral AI), Llama (Meta), Gemma (Google) και Qwen (Alibaba)—και εκπαιδεύτηκε με δεδομένα ανοιχτής πρόσβασης από το Cancer Genome Atlas Program (TCGA), αναλύοντας αναφορές παθολογίας από 50 ασθενείς, με περαιτέρω επικύρωση σε δεδομένα 289 ασθενών και 35 «ψευδοπεριπτώσεων».
Συνδυάζοντας τα αποτελέσματα των τεσσάρων μοντέλων, η ομάδα πέτυχε συνολική ακρίβεια 88,5% στην ταξινόμηση ATA και 92,9%–98,1% στην ταξινόμηση AJCC. Συγκριτικά με την παραδοσιακή χειροκίνητη ανάλυση, η νέα προσέγγιση μειώνει τον χρόνο προετοιμασίας των γιατρών κατά το ήμισυ.
«Το μοντέλο μας επιτυγχάνει ακρίβεια άνω του 90% στην ταξινόμηση του σταδίου και του κινδύνου του καρκίνου του θυρεοειδούς. Το κύριο πλεονέκτημα είναι η offline λειτουργία του, που επιτρέπει την τοπική εφαρμογή χωρίς την ανάγκη διαμοιρασμού ευαίσθητων δεδομένων», εξήγησε ο καθηγητής Τζέφρι Γου, Διευθυντής του InnoHK D24H και Καθηγητής Δημόσιας Υγείας στο HKUMed.
Πρόσθεσε επίσης ότι σε συγκριτικές δοκιμές με τα νέα DeepSeek R1, V3 και GPT-4o, το μοντέλο απέδωσε εξίσου καλά.
«Σε ευθυγράμμιση με την κυβερνητική στρατηγική για υιοθέτηση της ΤΝ στην υγειονομική περίθαλψη, ο επόμενος στόχος μας είναι η αξιολόγηση του μοντέλου μας σε μεγάλο όγκο πραγματικών κλινικών δεδομένων» δήλωσε ο Δρ. Κάρλος Γουόνγκ, επίκουρος καθηγητής στο Τμήμα Οικογενειακής Ιατρικής του HKUMed.
Μόλις επιβεβαιωθεί η αποτελεσματικότητά του, το μοντέλο θα είναι έτοιμο για ευρεία εφαρμογή σε νοσοκομεία και ιατρικά κέντρα, ενισχύοντας την αποδοτικότητα και την ποιότητα της περίθαλψης.
Τα ευρήματα δημοσιεύθηκαν στο περιοδικό npj Digital Medicine, με την ερευνητική ομάδα να περιλαμβάνει επιστήμονες από την Ιατρική Σχολή του Πανεπιστημίου του Χονγκ Κονγκ (HKUMed), το InnoHK Laboratory of Data Discovery for Health (InnoHK D24H), και τη Σχολή Υγιεινής και Τροπικής Ιατρικής του Λονδίνου (LSHTM).
ΠΗΓΗ: Medicalxpress
www.ertnews.gr