Prema nedavnom istraživanju među 140 onkologa, trećina ispitanika smatra da je AI koristan u dijagnostici raka, dok 35% ne vidi značajnu korist, a 32% ostaje neodlučno. Najveća korisnost AI-a prepoznata je kod raka dojke, pluća i prostate, dok su tumori mozga i bubrega na dnu ljestvice.

AI kao pomoć, ne zamjena

Većina postojećih AI alata koristi se za analizu slikovnih podataka – od mamografije i CT snimki pluća do kolonoskopskih nalaza. No, kako ističe dr. Ravi Parikh s Emory University, većina tih alata još nije prošla dugoročne kliničke validacije koje bi potvrdile njihov utjecaj na ishode liječenja. “Trebat će godine da se kroz klinička ispitivanja pokaže hoće li AI doista poboljšati dijagnostiku i liječenje raka,” kaže Parikh.

Dr. Kun-Hsing Yu s Harvard Medical School dodaje da AI može pomoći u otkrivanju suptilnih signala koje liječnik može previdjeti, ali upozorava da nijedan alat nije savršen. “Za odluke koje mogu značiti život ili smrt, AI mora biti temeljito validiran,”.

Dr. Tufia Haddad iz Mayo Clinic primjećuje da se prihvaćanje AI-a među kliničarima povećava, dijelom i zato što ignoriranje tehnologije više nije opcija. Transparentnost u vezi s podacima na kojima su AI modeli trenirani te njihova raznolikost i reprezentativnost ključni su za povjerenje u rezultate.

No, onkolozi upozoravaju i na izazove poput zaštite privatnosti pacijenata i mogućnosti ponovne identifikacije iz medicinskih podataka. Uvođenje AI-a mora biti praćeno jasnim pravilima o upravljanju podacima.

Jedna od zabrinutosti je i tzv. “deskilling” – gubitak vještina kod liječnika koji se previše oslanjaju na AI. Studija iz Poljske pokazala je da je stopa otkrivanja adenoma kod endoskopista pala nakon uvođenja AI alata.

Pogled u budućnost

Najveći potencijal AI-a leži u analizi multimodalnih podataka – spajanju slika, patoloških nalaza, genetskih informacija i podataka iz elektroničkih zdravstvenih kartona. Onkolozi vjeruju da će to omogućiti “hiperpersonaliziranu” medicinu, gdje će se rizik procjenjivati na razini pojedinca, a ne populacije.

Yu i njegov tim razvili su model strojnog učenja koji može predvidjeti molekularni profil tumora i ishod liječenja na temelju histopatoloških slika. Ovakvi alati mogli bi u budućnosti omogućiti raniju dijagnozu, preciznije liječenje i bolje ishode za pacijente.