เครื่องมือปัญญาประดิษฐ์ตรวจพบมะเร็งตับอ่อนจากภาพสแกน CT ทั่วไป ก่อนที่อาการจะปรากฏ
นักวิจัยจากมหาวิทยาลัยฟลอริดาและสถาบันการแพทย์ชั้นนำในสหรัฐอเมริกา ได้พัฒนาโมเดลปัญญาประดิษฐ์ (AI) ที่มีความสามารถในการตรวจพบมะเร็งตับอ่อนจากภาพถ่ายคอมพิวเตอร์ทอมอกราฟี (CT) ที่ทำการตรวจอย่างสม่ำเสมอ โดยสามารถตรวจพบได้ในผู้ป่วยที่ยังไม่มีอาการแสดงออก ซึ่งถือเป็นความก้าวหน้าที่สำคัญในการต่อสู้กับโรคมะเร็งตับอ่อนที่มักถูกตรวจพบในระยะท้ายและมีอัตราการรอดชีวิตต่ำ
มะเร็งตับอ่อนเป็นหนึ่งในโรคมะเร็งที่ร้ายแรงที่สุด โดยมีอัตราการเสียชีวิตสูงถึง 93% เนื่องจากมักไม่มีอาการในระยะเริ่มต้น และเมื่อตรวจพบแล้วมักอยู่ในระยะที่ลุกลามมาก นักวิจัยชี้ให้เห็นว่าการตรวจพบในระยะก่อนอาการ (pre-symptomatic) จะช่วยเพิ่มโอกาสในการรักษาให้สำเร็จได้อย่างมาก โมเดล AI นี้ได้รับการฝึกฝนด้วยชุดข้อมูลภาพ CT กว่า 3,000 ภาพจากโรงพยาบาลแมสเจเนอรัลบริกแฮม (Mass General Brigham) ซึ่งรวมถึงภาพจากผู้ป่วยที่เป็นมะเร็งตับอ่อนและผู้ป่วยปกติ โดยโมเดลถูกออกแบบให้ตรวจจับก้อนเนื้อผิดปกติขนาดเล็กที่อาจถูกมองข้ามโดยจักษุแพทย์
ในการทดสอบ โมเดลนี้ได้รับการประเมินกับชุดข้อมูลอิสระกว่า 5,000 ภาพจากโรงพยาบาลหลายแห่งในสหรัฐอเมริกา รวมถึงภาพ CT จากการตรวจทั่วไปที่ไม่เกี่ยวข้องกับการตรวจมะเร็งโดยตรง ผลการทดสอบแสดงให้เห็นประสิทธิภาพสูง โดยมีค่าพื้นที่ใต้เส้นโค้งรับค่าความไวต่อและความจำเพาะ (AUC) สูงถึง 0.94 ในการตรวจพบมะเร็งตับอ่อน นอกจากนี้ ยังมีความไว (sensitivity) อยู่ที่ 0.78 เมื่อกำหนดความจำเพาะ (specificity) ที่ 95% ซึ่งสูงกว่าประสิทธิภาพของจักษุแพทย์มนุษย์ที่ทำการตรวจแบบปกติ
จุดเด่นสำคัญของโมเดลนี้คือความสามารถในการตรวจพบมะเร็งในระยะก่อนวินิจฉัยเฉลี่ย 471 วัน หรือประมาณ 15 เดือนก่อนที่แพทย์จะวินิจฉัยอย่างเป็นทางการ สิ่งนี้ช่วยให้สามารถแทรกแซงการรักษาได้ตั้งแต่เนิ่นๆ เช่น การผ่าตัดเอาก้อนเนื้อออกก่อนที่มันจะลุกลาม นอกจากการตรวจพบมะเร็งแล้ว โมเดลยังสามารถแบ่งส่วนตับอ่อน (pancreas segmentation) ได้อย่างแม่นยำ โดยมีค่าความแม่นยำ Dice similarity coefficient (DSC) สูงถึง 0.87 ซึ่งช่วยให้แพทย์สามารถวิเคราะห์ตำแหน่งและขนาดของอวัยวะได้ดีขึ้น
กระบวนการพัฒนาโมเดลนี้ใช้เทคนิคการเรียนรู้เชิงลึก (deep learning) โดยเฉพาะอย่างยิ่งสถาปัตยกรรม nnU-Net ที่ปรับแต่งให้เหมาะสมกับภาพ CT 3 มิติ โมเดลถูกฝึกฝนให้ตรวจจับทั้งมะเร็งตับอ่อนและการผิดปกติของท่อตับอ่อน (pancreatic ductal adenocarcinoma หรือ PDAC ซึ่งเป็นชนิดที่พบบ่อยที่สุด) โดยใช้ข้อมูลจากผู้ป่วยที่ได้รับการยืนยันการวินิจฉัยจากผู้เชี่ยวชาญ การทดสอบครอบคลุมภาพ CT จากแหล่งข้อมูลที่หลากหลาย เพื่อให้มั่นใจในความน่าเชื่อถือข้ามสถาบัน (cross-institutional reliability)
ผลการศึกษานี้ตีพิมพ์ในวารสาร Nature Medicine ซึ่งเป็นวารสารชั้นนำด้านการแพทย์ โดยทีมวิจัยนำโดย ดร. ริชาร์ด ซู จากมหาวิทยาลัยฟลอริดาและดร. โจชัว ฟิลลิปส์ จากโรงพยาบาลแมสเจเนอรัลบริกแฮม พวกเขาย้ำว่าการนำโมเดลนี้ไปใช้ในกระบวนการตรวจภาพ CT ทั่วไปจะไม่เพิ่มภาระงานให้จักษุแพทย์มากนัก เนื่องจากสามารถรวมเข้ากับระบบภาพการแพทย์อัตโนมัติ (PACS) ได้ง่าย และให้ผลลัพธ์เป็นการแจ้งเตือน (alert) สำหรับกรณีที่น่าสงสัย
ประสิทธิภาพของโมเดลยังถูกเปรียบเทียบกับโมเดล AI อื่นๆ ที่มีอยู่ โดยพบว่าดีกว่าในแง่ความไวต่อมะเร็งขนาดเล็ก (lesions < 10 มม.) ซึ่งเป็นสิ่งที่ท้าทายสำหรับมนุษย์ นักวิจัยทดสอบกับภาพ CT จากการตรวจช่องท้องส่วนบน (upper abdominal CT) ที่ทำเพื่อวัตถุประสงค์อื่น เช่น ตรวจหินในถุงน้ำดีหรือปัญหาไต โดยโมเดลสามารถตรวจพบมะเร็งได้โดยไม่ต้องใช้ภาพที่มุ่งเน้นตับอ่อนโดยเฉพาะ
แม้จะมีประสิทธิภาพสูง แต่ทีมวิจัยยังระบุข้อจำกัด เช่น การฝึกฝนหลักจากประชากรสหรัฐอเมริกา ซึ่งอาจมีอคติทางเชื้อชาติ และจำเป็นต้องทดสอบเพิ่มเติมในประชากรที่หลากหลายมากขึ้น รวมถึงการทดสอบในโลกจริง (prospective studies) เพื่อยืนยันประสิทธิภาพ นอกจากนี้ โมเดลยังไม่สามารถแยกแยะชนิดย่อยของมะเร็งตับอ่อนได้ทั้งหมด แต่ครอบคลุม PDAC ซึ่งคิดเป็น 90% ของกรณีทั้งหมด
การพัฒนานี้เปิดโอกาสให้โรงพยาบาลทั่วไปสามารถใช้ประโยชน์จาก AI ในการคัดกรองมะเร็งตับอ่อนได้ โดยไม่ต้องรอให้ผู้ป่วยมีอาการ ซึ่งอาจช่วยลดอัตราการเสียชีวิตจากโรคนี้อลงได้อย่างมีนัยสำคัญในอนาคต นักวิจัยคาดหวังว่าการนำไปใช้จริงจะเริ่มต้นในโรงพยาบาลพันธมิตร และขยายไปสู่ระบบสาธารณสุขที่กว้างขวางยิ่งขึ้น
(จำนวนคำประมาณ 728 คำ)
This Article is sponsored by Gnoppix AI (https://www.gnoppix.org)