Το πρώτο παγκοσμίως μοντέλο τεχνητής νοημοσύνης (AI) που ταξινομεί τόσο το στάδιο όσο και την κατηγορία κινδύνου ανάπτυξης του καρκίνου του θυρεοειδούς παρουσίασε μια διεπιστημονική ερευνητική ομάδα.
Ο θυρεοειδικός καρκίνος την τελευταία δεκαετία, παρουσιάζει τη μεγαλύτερη ετήσια αύξηση της επίπτωσής μίας νεοπλασίας σε σχέση με όλες τις λοιπές κακοήθεις παθήσεις των διαφόρων οργάνων, γεγονός που πιθανότατα οφείλεται σε περιβαλλοντικούς παράγοντες αλλά και στη σαφή βελτίωση των μεθόδων διάγνωσης του.
Γνωρίζατε ότι άτομα με χρόνιες παθήσεις του θυρεοειδούς, όπως η θυρεοειδίτιδα Hashimoto, έχουν ελαφρώς αυξημένο κίνδυνο να εμφανίσουν καρκίνο του θυρεοειδούς, ειδικά θηλώδες καρκίνωμα, που είναι και η πιο συχνή και συνήθως ήπια μορφή; Μάλιστα, η παρουσία όζων στον θυρεοειδή ή άλλες ύποπτες ενδείξεις μπορεί να οδηγήσουν σε περαιτέρω έλεγχο.
Ο καρκίνος του θυρεοειδούς αποτελεί τη συχνότερη κακοήθεια του ενδοκρινικού συστήματος (95% του συνόλου) και το 1,5 – 3% όλων των κακοήθων νεοπλασιών του ανθρώπινου οργανισμού. Οι γυναίκες προσβάλλονται συχνότερα από τους άνδρες σε αναλογία 3 προς 1, κύρια στις ηλικίες μεταξύ 25 και 65 ετών, με τον ισόβιο κίνδυνο εμφάνισης της νόσου να είναι 0,8 και 0,3 για το γυναικείο και το αντρικό φύλο αντίστοιχα.
Μέχρι πρότινος, η διάγνωσή του βασιζόταν σε δύο βασικά συστήματα:
- Το TNM (Tumor-Node-Metastasis), που αναπτύχθηκε από την Αμερικανική Μικτή Επιτροπή για τον Καρκίνο (AJCC).
- Την κατηγοριοποίηση κινδύνου της Αμερικανικής Εταιρείας Θυρεοειδούς (ATA).
Αν και κρίσιμα για την πρόγνωση και τη θεραπευτική απόφαση, αυτά τα εργαλεία απαιτούν λεπτομερή χειροκίνητη ανάλυση των κλινικών δεδομένων — μια διαδικασία που συχνά είναι χρονοβόρα και επίπονη.
Τώρα, μια διεθνής ερευνητική ομάδα παρουσίασε το πρώτο στον κόσμο μοντέλο τεχνητής νοημοσύνης (ΤΝ) που μπορεί να προσδιορίσει τόσο το στάδιο όσο και το επίπεδο κινδύνου του καρκίνου του θυρεοειδούς.
Το καινοτόμο αυτό AI σύστημα υπόσχεται να μειώσει τον χρόνο προετοιμασίας των γιατρών πριν από τις ιατρικές επισκέψεις έως και 50%
Για να απλοποιήσει τη διαδικασία, η ερευνητική ομάδα ανέπτυξε ένα εργαλείο ΤΝ που βασίζεται σε μεγάλα γλωσσικά μοντέλα (LLMs) όπως τα ChatGPT και DeepSeek. Το σύστημα μπορεί να αναλύει ιατρικές αναφορές και να προσδιορίζει με ακρίβεια τόσο το στάδιο όσο και το επίπεδο κινδύνου του καρκίνου.
Σύμφωνα με τη μελέτη που δημοσιεύθηκε στο επιστημονικό περιοδικό npj Digital Medicine, το εργαλείο λειτουργεί με τέσσερα ανοιχτού κώδικα offline LLMs — Mistral, Llama, Gemma και Qwen — και εκπαιδεύτηκε με στοιχεία από τη δημόσια βάση Cancer Genome Atlas (TCGA). Η ομάδα ξεκίνησε με 50 παθολογοανατομικές αναφορές ασθενών, επεκτείνοντας την ανάλυση σε 289 πραγματικά περιστατικά και 35 εικονικά («ψευδο-») περιστατικά για επικύρωση.
Τα αποτελέσματα είναι εντυπωσιακά: το σύστημα πέτυχε ακρίβεια 88,5% στην κατηγοριοποίηση ATA και από 92,9% έως 98,1% στην ταξινόμηση TNM (AJCC). Συγκριτικά με τις παραδοσιακές μεθόδους, προσφέρει σημαντική εξοικονόμηση χρόνου στους κλινικούς γιατρούς.
Όπως εξηγεί ο Καθηγητής Τζέφρι Γου, επικεφαλής του InnoHK D24H και καθηγητής Δημόσιας Υγείας στο HKUMed, το μοντέλο λειτουργεί πλήρως offline, επιτρέποντας την ανάλυση ευαίσθητων δεδομένων χωρίς ανάγκη αποστολής τους σε εξωτερικά συστήματα. Στις δοκιμές, είχε ισάξια απόδοση με προηγμένα μοντέλα όπως τα DeepSeek R1, V3 και GPT-4o.
Ο επόμενος στόχος, όπως ανέφερε ο Επίκουρος Καθηγητής Κάρλος Γουόνγκ, είναι η δοκιμή του συστήματος σε ευρεία κλίμακα, με πραγματικά δεδομένα από νοσοκομεία. Εφόσον αποδειχθεί αποτελεσματικό, θα μπορέσει να χρησιμοποιηθεί σε κλινική πράξη, ενισχύοντας την ακρίβεια και την ταχύτητα στις διαγνώσεις.
