Yapay Zeka Pankreas Kanserine PRISM Modelleri ile Karşı Erken Teşhis Vaat Ediyor

Yapay zeka pankreas kanserine Prısm modelleri ile erken teşhisi mümkün kılacak. MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) araştırmacıları, pankreas kanserinin bir türünün (PDAC) erken tespiti için yapay zeka modeli geliştirdi. Araştırmacılar, geliştirdikleri yapay zeka tabanlı modellerle önemli bir ilerleme kaydettiler. PDAC, pankreas kanserinin en yaygın formlarından biri olarak kabul ediliyor ve bu tür kanserlerin erken aşamalarda tespiti, tedavi başarısını yüksek ölçüde artırabilir.

CSAIL bilim insanları, PDAC’ye yüksek risk taşıyan hastaları belirlemek amacıyla iki yeni makine öğrenimi modeli geliştirdi. Bu modeller, ABD genelinde çeşitli sağlık kurumlarından elde edilen geniş bir elektronik sağlık kaydı veri tabanını kullanarak eğitildi. Bu sayede modeller, farklı nüfus grupları, coğrafi bölgeler ve demografik özelliklerde uygulanabilirliği artıran güvenilir sonuçlar verdi.

Yapay Zeka Geleneksel Yöntemlere Göre %35 Daha Fazla Kanser Tespit Etti

Yapılan karşılaştırmalara göre, PRISM modelleri, mevcut yöntemleri aşarak PDAC tespitinde daha yüksek başarı oranları elde etti. Standart tarama kriterlerinin sadece %10’unu tespit edebilen mevcut yöntemlere kıyasla, yapay zeka PRISM modelleri aynı eşikte %35’e kadar kanser vakasını tespit edebildi.

PRISM modelleri, hastaların demografik bilgileri, teşhisleri, ilaçları ve laboratuvar sonuçları gibi çeşitli sağlık kayıtlarını analiz ederek PDAC riskini değerlendiriyor. Bu modeller, özellikle 85 kritik göstergeye odaklanarak derin sinir ağları ve lojistik regresyonun birleşimini kullanarak karmaşık veri özelliklerini anlamada başarılı oldular. Araştırmacılar PRISM modellerinin tıp alanında güven kazanması için şeffaflığın önemli olduğunu belirtiyor.

Ancak, bu modellerin henüz sadece ABD verileri üzerinde eğitildiği ve küresel kullanım için test edilip uyarlanması gerektiği belirtiliyor. Araştırmacılar, gelecekte modellerin uluslararası veri setlerine uygulanabilirliğini artırmayı ve daha hassas risk değerlendirmeleri için ek verileri entegre etmeyi planlıyorlar. Bu modellerin sağlık sistemlerinde rutin olarak kullanılabilmesi için ise modellerin entegrasyonunu ve doktorlara otomatik olarak yüksek riskli vakalar hakkında uyarılar gönderme vizyonuyla çalışmaya devam ediyorlar.