Alur kerja analisis AI dalam neoplasma sistem pencernaan. SVM, mendukung mesin vektor; LASSO, operator penyusutan dan pemilihan yang paling tidak mutlak; LN, kelenjar getah bening; ROC, karakteristik pengoperasian penerima; AI, kecerdasan buatan. Kredit: Ilmu Data Kesehatan
Kecerdasan buatan membantu memberikan diagnosis kanker pencernaan lebih awal dan lebih baik, tetapi masih banyak tantangan untuk aplikasi klinis yang meluas, tidak sedikit berbagi data pencitraan medis antar rumah sakit, dan kurangnya standarisasi protokol untuk pencitraan medis untuk AI, sekelompok peneliti telah menyimpulkan setelah survei komprehensif dari aplikasi teknologi terbaru untuk kanker yang paling mematikan ini.
Sebuah makalah yang menjelaskan temuan mereka muncul di jurnal Health Data Science.
Tumor sistem pencernaan adalah penyebab utama kematian akibat kanker di seluruh dunia dengan tingkat kelangsungan hidup lima tahun di bawah 20 persen. Lima dari tujuh kanker paling mematikan adalah hasil dari tumor sistem pencernaan, atau neoplasma, sebagaimana tumor dijelaskan oleh dokter: kanker kerongkongan, kanker lambung, kanker kolorektal, kanker hati primer, dan kanker pankreas.
Perawatan klinis neoplasma sistem pencernaan (DSN) telah membaik dalam beberapa dekade terakhir, tetapi prognosis pasien DSN tetap suram. Hal ini sebagian karena sifat agresif dari kanker ini, tetapi juga mungkin karena tantangan dalam mencapai diagnosis dini dan respons pengobatan yang akurat.
“Jika sebelumnya, diagnosa superior dapat dilakukan, maka ini akan meningkatkan prognosis,” kata Jie Tian, spesialis kecerdasan buatan dari Laboratorium Utama Pengobatan Presisi Berbasis Data Besar di Universitas Beihang dan salah satu penulis makalah ini.
Penilaian genomik dan proteomik tumor berbasis jaringan menawarkan janji besar di bidang diagnostik. Teknologi baru ini dapat mengurutkan seluruh genom dan rangkaian lengkap protein yang diproduksi oleh sel dalam sampel jaringan dari tumor. Tetapi juga secara intrinsik dibatasi oleh fakta bahwa sebagian kecil jaringan tumor tidak pernah dapat mewakili keseluruhan tumor.
Pencitraan medis seperti computed tomography (CT), magnetic resonance imaging (MRI), dan tomografi emisi positron (PET) pada prinsipnya dapat memberikan karakterisasi tumor yang saling melengkapi tetapi juga lebih komprehensif. Teknik pencitraan medis ini secara teratur digunakan sebagai bagian dari rutinitas klinis untuk diagnosis pra operasi dan evaluasi respon pengobatan.
Tetapi penilaian gambaran klinis tumor yang membantu dalam diagnosis adalah seni kualitatif sebanyak ilmu kuantitatif, dengan banyak variabilitas antara ahli radiologi berbeda yang melakukan pencitraan. Penilaian citra medis seperti itu juga sangat memakan waktu dan padat karya.
Namun, algoritme kecerdasan buatan (AI) dapat menambang fitur pencitraan khusus dari gambar medis secara otomatis, yang dapat mengotomatiskan proses kompleks bukan sebagai gantinya tetapi sebagai bantuan untuk dokter dan mengurangi beban kerja mereka.
Lebih baik lagi, seperti yang telah ditunjukkan di banyak bidang di luar kedokteran, AI dapat menambang fitur dan pola pencitraan yang tidak dapat dideteksi oleh mata telanjang, atau oleh manusia sama sekali.
“Jadi selain teknologi pengurutan genom dan proteomik baru yang menakjubkan ini, dan pencitraan medis konvensional, selama dekade terakhir, telah ada banyak penelitian dan eksperimen apakah kecerdasan buatan dapat membantu tidak hanya dengan tujuan diagnosis sebelumnya,” lanjut Profesor Tian, ”tetapi untuk menghasilkan diagnosa yang jauh lebih disesuaikan dengan pasien, dengan keseluruhan tumor mereka—yang kami sebut pengobatan presisi.”
Kelompok tersebut ingin mensurvei keadaan penelitian tentang penggunaan sistem AI untuk membantu diagnosis DSN, dan bagaimana upaya eksperimental sejauh ini berhasil pada empat kanker sistem pencernaan yang paling umum. Makalah mereka memberikan gambaran tentang sejauh mana penelitian semacam itu telah berkembang dan menjabarkan tantangan yang harus diatasi.
Mereka mencatat bahwa ada dua pendekatan AI utama untuk pencitraan medis DSN: radiomik dan pembelajaran mendalam. Yang pertama melibatkan AI yang menggunakan algoritme karakterisasi data untuk mengekstraksi fitur pencitraan dari gambar. Ini melibatkan segmentasi gambar, atau detail ‘memotong’ bagian gambar yang berbeda menjadi bagian yang berbeda. Piksel mana dalam gambar yang merupakan bagian dari tumor dan mana yang merupakan bagian lain? Dengan radiomik, ahli radiologi sering kali secara manual memberi label pada bagian yang berbeda untuk melatih AI agar memahami dan mengkategorikan segmen ini.
“Segmentasi manual ini sekali lagi padat karya, sehingga hampir tidak mengurangi beban kerja dibandingkan dengan penilaian manusia terhadap citra medis,” kata Shuaitong Zhang, penulis makalah lain dan profesor di Universitas Beihang.
“Dan itu juga, sekali lagi, memperkenalkan variabilitas dari ahli radiologi ke ahli radiologi.”
Namun, dengan pembelajaran yang mendalam, bentuk AI yang lebih kompleks, sistem hanya membutuhkan segmentasi yang sangat kasar dari daerah tumor sebelum melatih dirinya sendiri dan secara otomatis muncul dengan label segmennya sendiri.
Baik radiomik dan pembelajaran mendalam sangat bergantung pada kumpulan data yang besar dan dianotasi dengan baik dari banyak rumah sakit untuk membangun model tumor internal yang kuat yang kemudian dapat digeneralisasikan ke pasien mana pun.
Di sinilah tantangan besar pertama muncul. Praktik akuisisi dan parameterisasi citra medis tersebut bervariasi secara substansial antara rumah sakit yang berbeda, memengaruhi ketahanan dan generalisasi model AI mana pun. Selain itu, ada sejumlah besar gambar medis DSN, data gambar yang dianotasi dengan baik terbatas.
Namun para peneliti menyimpulkan bahwa ada beberapa metode yang dapat mengatasi masalah ini, termasuk resampling gambar; rotasi, membalik, dan menggeser gambar; dan pemburaman gambar secara hati-hati untuk mengurangi noise gambar. Selain itu, standarisasi protokol untuk pencitraan medis AI harus dapat meningkatkan reproduktifitas dan komparabilitas.
Selain itu, kumpulan data berkualitas tinggi biasanya tidak tersedia untuk umum, yang dapat menghambat validasi dan perbandingan berbagai model AI.
“Berbagi data yang jauh lebih baik akan sangat penting untuk model AI yang kuat dan dapat diterapkan secara klinis,” kata Dr. Zhang.
Untuk saat ini, sebagian besar studi yang diterbitkan tentang penggunaan AI untuk penilaian DSN tetap terjebak di ranah praktik radiomik yang lebih padat karya dan memakan waktu daripada pembelajaran yang dalam. Tersandungnya pembelajaran mendalam saat ini kemungkinan besar disebabkan oleh kompleksitas tumor yang besar.
Kedua bentuk bantuan diagnostik AI memang menunjukkan manfaat yang cukup besar di keempat kanker yang dipertimbangkan, bekerja lebih baik daripada penilaian pencitraan medis manusia saja dan memungkinkan, misalnya, identifikasi yang lebih baik untuk pasien berisiko tinggi yang memerlukan perawatan intensif. Tetapi intensitas tenaga kerja radiomik dapat menghambat penerapannya secara luas.
Tantangan terakhir berkaitan dengan kebutuhan dokter untuk dapat menginterpretasikan apa yang diartikulasikan oleh model internal AI. Ini terutama berlaku untuk model pembelajaran mendalam, di mana apa yang diidentifikasi oleh AI dan mengapa tetap menjadi ‘kotak hitam’. Jadi sebelum diterapkan dalam praktik klinis, para peneliti merekomendasikan agar diagnosis DSN berbantuan AI divalidasi dalam uji coba dengan jumlah peserta yang jauh lebih besar di banyak rumah sakit daripada uji coba kecil yang dipertimbangkan para peneliti untuk makalah survei mereka.
Untuk bagian mereka sendiri, tim sekarang bertujuan untuk mengembangkan model AI mereka sendiri yang didedikasikan untuk kanker kerongkongan, tetapi yang dapat ditafsirkan secara langsung oleh dokter.
Informasi lebih lanjut: Shuaitong Zhang dkk, Penerapan Kecerdasan Buatan dalam Neoplasma Sistem Pencernaan: Tinjauan, Ilmu Data Kesehatan (2022). DOI: 10.34133/hds.0005
Disediakan oleh Ilmu Data Kesehatan
Kutipan: AI meningkatkan diagnosis kanker pencernaan, tetapi hambatan berbagi data tetap ada (2023, 2 Maret) diambil 2 Maret 2023 dari https://medicalxpress.com/news/2023-03-ai-digestive-cancer-diagnosis-data-sharing .html
Dokumen ini tunduk pada hak cipta. Terlepas dari kesepakatan yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.