Sztuczna inteligencja w sekundę opracowuje plan radioterapii
dodany przez
KopalniaWiedzy.pl, w Medycyna
-
Podobna zawartość
-
przez KopalniaWiedzy.pl
Dermatolog Harald Kittler z Uniwersytetu Medycznego w Wiedniu stanął na czele austriacko-australijskiego zespołu, który porównał trafność diagnozy i zaleceń dotyczących postępowania z przebarwieniami na skórze stawianych przez lekarzy oraz przez dwa algorytmy sztucznej inteligencji pracujące na smartfonach. Okazało się, że algorytmy równie skutecznie co lekarze diagnozują przebarwienia. Natomiast lekarze podejmują znacznie lepsze decyzje dotyczące leczenia.
Testy przeprowadzono na prawdziwych przypadkach pacjentów, którzy zgłosili się na Wydział Dermatologii Uniwersytetu Medycznego w Wiedniu oraz do Centrum Diagnozy Czerniaka w Sydney w Australii.
Testowane były dwa scenariusze. W scenariuszu A porównywano 172 podejrzane przebarwienia na skórze (z których 84 były nowotworami), jakie wystąpiły u 124 pacjentów. W drugim (scenariuszu B) porównano 5696 przebarwień – niekoniecznie podejrzanych – u 66 pacjentów. Wśród nich było 18 przebarwień spowodowanych rozwojem nowotworu. Testowano skuteczność dwóch algorytmów. Jeden z nich był nowym zaawansowanym programem, drugi zaś to starszy algorytm ISIC (International Skin Imaging Collaboration), używany od pewnego czasu do badań retrospektywnych.
W scenariuszu A nowy algorytm stawiał diagnozę równie dobrze jak eksperci i był wyraźnie lepszy od mniej doświadczonych lekarzy. Z kolei algorytm ISIC był znacząco gorszy od ekspertów, ale lepszy od niedoświadczonych lekarzy.
Jeśli zaś chodzi o zalecenia odnośnie leczenia, nowoczesny algorytm sprawował się gorzej niż eksperci, ale lepiej niż niedoświadczeni lekarze. Aplikacja ma tendencję do usuwania łagodnych zmian skórnych z zaleceń leczenia, mówi Kittler.
Algorytmy sztucznej inteligencji są więc już na tyle rozwinięte, że mogą służyć pomocą w diagnozowaniu nowotworów skóry, a szczególnie cenne będą tam, gdzie brak jest dostępu do doświadczonych lekarzy. Ze szczegółami badań można zapoznać się na łamach The Lancet.
« powrót do artykułu -
przez KopalniaWiedzy.pl
Kobiety, które mieszkają w miejscach zachęcających do spacerów, są mniej narażone na nowotwory związane z otyłością, a szczególnie na postmenopauzalne nowotwory piersi, nowotwory jajników, endometrium oraz szpiczaka mnogiego, informują naukowcy z Columbia University Mailman School of Public Health i NYU Grossman School of Medicine. Otyłość powiązana jest z 13 rodzajami nowotworów, a aktywność fizyczna zmniejsza ryzyko wystąpienia niektórych z nich. Dotychczas jednak brakowało badań nad architekturą miejsca zamieszkania, a występowaniem nowotworów powiązanych z otyłością.
Amerykańscy naukowcy przez 24 lata przyglądali się 14 274 kobietom w wieku 34–65 lat, które w latach 1985–1991 wzięły udział w programie badań mammograficznych w Nowym Jorku. Naukowcy przeanalizowali okolicę, w jakiej każda z nich mieszkała, skupiając się przede wszystkim na tym, na ile zachęcała ona do spacerowania czy załatwiania codziennych rzeczy na piechotę. Ważna więc była nie tylko infrastruktura drogowa czy otoczenie przyrodnicze, ale też dostępność sklepów, kawiarni czy różnego typu usług w takiej odległości, by mieszkańcy chcieli przemieszczać się na własnych nogach. Okazało się, że tam, gdzie sąsiedztwo bardziej sprzyjało spacerom, panie rzadziej zapadały na nowotwory.
Do końca roku 2016 na nowotwór powiązany z otyłością zapadło 18% badanych pań. Z tego 53% zachorowało na postmenopauzalny nowotwór piersi, 14% na raka jelita grubego, a 12% na nowotwór endometrium. To unikatowe długoterminowe badania, które pozwoliły nam określić związek pomiędzy otoczeniem sprzyjającym spacerom, a nowotworami, mówi doktor Yu Chen z NYU Grossman School of Medicine. Naukowcy zauważyli, że kobiety mieszkające w otoczeniu, które sprzyja spacerom, były narażone na o 26% mniejsze ryzyko rozwoju nowotworu powiązanego z otyłością. To kolejny dowód na to, jak architektura miejska wpływa na zdrowie coraz bardziej starzejących się społeczeństw, stwierdza profesor epidemiologii Andrew Rundle z Columbia Mailman School.
Naukowcy zauważają, że zachęcanie ludzi do większej aktywności fizycznej jest często mało skuteczne. Wiele osób postanawia więcej się ruszać, jednak ich zapał trwa bardzo krótko i szybko wracają do starych zwyczajów. Zupełnie inaczej jest w sytuacji, gdy otoczenie sprzyja ruchowi. Wówczas bez zachęt, w sposób naturalny, wolą się przejść do sklepu, fryzjera czy kina, niż jechać samochodem, stać w korkach oraz szukać miejsca do zaparkowania.
« powrót do artykułu -
przez KopalniaWiedzy.pl
W Journal of Medical Internet Research ukazał się opis eksperymentu, w ramach którego ChatGPT miał stawiać diagnozy medyczne i proponować dalsze działania na podstawie opisanych objawów. Algorytm poradził sobie naprawdę nieźle. Udzielił prawidłowych odpowiedzi w 71,7% przypadków. Najlepiej wypadł przy ostatecznych diagnozach, gdzie trafność wyniosła 76,9%, najgorzej poradził sobie z diagnozą różnicową. Tutaj jego trafność spadła do 60,3%.
Autorzy eksperymentu wykorzystali 36 fikcyjnych przypadków klinicznych opisanych w Merck Manual. Przypadki te są wykorzystywane podczas szkoleń lekarzy i innego personelu medycznego. Naukowcy z Harvard Medical School, Brigham and Women'a Hospital oraz Mass General Brigham wprowadzili do ChataGPT opisy tych przypadków, a następnie zadawali maszynie pytanie, dołączone w podręczniku do każdego z przypadków. Wykluczyli z badań pytania dotyczące analizy obrazów, gdyż ChatGPT bazuje na tekście.
Najpierw sztuczna inteligencja miała za zadanie wymienić wszystkie możliwe diagnozy, jakie można postawić na podstawie każdego z opisów. Następnie poproszono ją, by stwierdziła, jaki dodatkowe badania należy przeprowadzić, później zaś ChatGPT miał postawić ostateczną diagnozę. Na koniec zadaniem komputera było opisanie metod leczenia.
Średnia trafność odpowiedzi wynosiła 72%, jednak różniła się w zależności od zadania. Sztuczna inteligencja najlepiej wypadła podczas podawania ostatecznej diagnozy, którą stawiała na podstawie początkowego opisu przypadku oraz wyników dodatkowych badań. Trafność odpowiedzi wyniosła tutaj 76,9%. Podobnie, bo z 76-procentową trafnością, ChatGPT podawał dodatkowe informacje medyczne na temat każdego z przypadków. W zadaniach dotyczących zlecenia dodatkowych badań oraz metod leczenia czy opieki, trafność spadała do 69%. Najgorzej maszyna wypadła w diagnozie różnicowej (60,3% trafnych odpowiedzi). Autorzy badań mówią, że nie są tym zaskoczeni, gdyż diagnoza różnicowa jest bardzo trudnym zadaniem. O nią tak naprawdę chodzi podczas nauki w akademiach medycznych i podczas rezydentury, by na podstawie niewielkiej ilości informacji dokonać dobrego rozróżnienia i postawić diagnozę, mówi Marc Succi z Harvard Medical School.
Być może w przyszłości podobne programy będą pomagały lekarzom. Zapewne nie będzie to ChatGPT, ale rozwijane już systemy wyspecjalizowane właśnie w kwestiach medycznych. Zanim jednak trafią do służby zdrowia powinny przejść standardowe procedury dopuszczenia do użytku, w tym testy kliniczne. Przed nimi zatem jeszcze długa droga.
Autorzy opisanych badań przyznają, że miały one ograniczenia. Jednym z nich było wykorzystanie fikcyjnych opisów przypadków, a nie rzeczywistych. Innym, niewielka próbka na której testowano ChatGPT. Kolejnym zaś ograniczeniem jest brak informacji o sposobie działania i treningu ChataGPT.
« powrót do artykułu -
przez KopalniaWiedzy.pl
Z każdym skutecznym lekarstwem związana jest historia jego wynalezienia. Badania takie jak nasze, stanowią glebę, z którego narodzą się nowe leki, mówi profesor Christopher Vakoc z Cold Spring Harbor Laboratory. Przez sześć ostatnich lat uczony i jego zespół pracowali nad zamianą komórek atakującego dzieci mięsaka w... prawidłowo funkcjonujące komórki mięśniowe. I w końcu się udało.
Mięśniakomięsak prążkowanokomórkowy (RMS) to nowotwór złośliwy tkanek miękkich, atakujący przede wszystkim dzieci. Należy od do mięsaków, nowotworów pochodzących z tkanki łącznej. Ich leczenie wymaga często chemioterapii, zabiegu chirurgicznego oraz radioterapii. Jest szczególnie uciążliwe u dzieci. Vakoc i jego koledzy stwierdzili, że gdyby udało się zamienić komórki nowotworowe w zdrowe prawidłowo funkcjonujące, zaoszczędziliby dzieciom i ich rodzinom wiele cierpienia.
Od wielu lat wiadomo, że w wyniku mutacji może dojść do fuzji dwóch genów kodujących czynniki transkrypcyjne PAX3 i FOXO1. Powstały w ten sposób gen fuzyjny PAX3-FOXO1 koduje białko, które upośledza miogenezę, czyli różnicowanie się komórek mięśniowych. W ten sposób pojawia się mięsak prążkowanokomórkowy.
Naukowcy najpierw opracowali nową technikę genetycznych badań przesiewowych, a następnie wykorzystali technologie edycji genów do poszukiwania czynników, które współpracują z PAX3-FOXO1 przy blokowaniu miogenezy. Okazało się, że, że elementem, którego poszukują jest białko NF-Y. Gdy zablokowali jego działanie, doszło do zadziwiającej przemiany. Komórki nowotworowe po prostu zamieniły się w mięśnie. Straciły wszystkie cechy nowotworu. Przełączyły się z komórek, które po prostu chcą się namnażać, w komórki, których celem jest kurczenie się. Cała ich energia, całe zasoby, zostały skierowane na skurcze, nie mogły rozprzestrzeniać się w sposób niekontrolowany, mówi Vakoc. Szczegóły badań zostały opisane na łamach PNAS.
Zaburzenie istniejącej zależności pomiędzy NF-Y a RMS wywołuje całą reakcję łańcuchową, która prowadzi do przemiany komórek nowotworowych. A na mięśniakomięsaku prążkowanokomórkowym się nie kończy. Naukowcy uważają, że ich technikę można będzie zastosować do innych rodzajów mięsaków, a może i w ogóle innych rodzajów nowotworów. "Można za jej pomocą wziąć pod lupę każdy nowotwór i sprawdzić, co powoduje, że staje się nowotworem. To może być kluczowym elementem do opracowania nowej terapii", stwierdza Vakoc.
To nie pierwsze tego typu osiągnięcie Vakoca. Przed dwoma laty udało mu się zmienić komórki mięsaka Ewinga w zdrową tkankę. Prace te mogą doprowadzić do pojawienia się terapii różnicujących nowotworów.
« powrót do artykułu
-
-
Ostatnio przeglądający 0 użytkowników
Brak zarejestrowanych użytkowników przeglądających tę stronę.