Google mostra come l'IA potrebbe rilevare il cancro ai polmoni in modo più rapido e affidabile

Categoria: Intelligenza artificiale Inserito 20 maggio

Una nuova ricerca di Google mostra come l'apprendimento automatico potrebbe un giorno essere utilizzato per rilevare i segni di cancro ai polmoni prima di quanto spesso avvenga oggi.

Allerta precoce: Danial Tse, un ricercatore di Google, ha sviluppato un algoritmo che ha battuto un certo numero di radiologi addestrati nei test. Tse e colleghi hanno addestrato un algoritmo di apprendimento profondo per rilevare i noduli polmonari maligni in oltre 42.000 scansioni TC. Gli algoritmi risultanti hanno prodotto l'11% in meno di falsi positivi e il 5% in meno di falsi negativi rispetto alle loro controparti umane. Il lavoro è descritto in un documento pubblicato sulla rivista Nature oggi.

Problema dell'assassino: Il cancro del polmone ha ucciso più di 160.000 persone negli Stati Uniti nel 2018, diventando così la principale causa di morte per cancro. E mentre le scansioni di tomografia computerizzata (TC) possono essere una parte salvavita dello screening del cancro, sono anche spesso inaffidabili.

Grande promessa: Tse e colleghi sostengono che l'IA potrebbe aiutare a rendere più affidabile lo screening del cancro del polmone in tutto il mondo, sebbene riconoscano che il lavoro deve essere convalidato su popolazioni di pazienti più ampie. In effetti, c'è un crescente interesse nell'uso dell'IA per catturare molti tipi di cancro. I ricercatori hanno dimostrato come l'apprendimento automatico può essere utilizzato per individuare entrambi cancro al seno e cancro della pelle , ad esempio.

Piccoli passi: Questi studi sono entusiasmanti, ma dovrebbero essere trattati come piccoli progressi. Rimane difficile utilizzare l'IA nell'assistenza sanitaria per motivi di privacy e perché i set di dati del mondo reale raramente sono perfetti come quelli utilizzati negli studi di ricerca.

Vale anche la pena notare che il trattamento del cancro implica molto di più del semplice rilevamento della malattia in primo luogo. La determinazione del corretto corso del trattamento, ad esempio, può dipendere da una serie di fattori che variano notevolmente da paziente a paziente, rendendo quella parte del processo molto più difficile da automatizzare.