Contextul cercetării
Cancerul pulmonar reprezintă cea mai frecventă cauză de deces prin cancer la nivel global, cu aproximativ 1.8 milioane de decese anual. În România, incidența cancerului pulmonar a crescut cu 12% în ultimii cinci ani, majoritatea cazurilor fiind diagnosticate în stadii avansate când opțiunile terapeutice sunt limitate și prognosticul este sever.
Studiile internaționale au demonstrat că screeningul prin tomografie computerizată cu doză mică de radiații (LDCT) poate reduce mortalitatea prin cancer pulmonar cu până la 20% la pacienții cu risc crescut. Cu toate acestea, volumul mare de imagini generate și necesitatea identificării nodulilor pulmonari de dimensiuni mici (sub 6mm) reprezintă provocări majore pentru radiologii din sistemul medical actual.
Metodologia studiului
Design și participanți
Acest studiu prospectiv multicentric a fost desfășurat între ianuarie 2022 și decembrie 2023, în colaborare cu cinci centre medicale universitare din România: Institutul Oncologic București, Spitalul Clinic Județean Cluj-Napoca, Centrul de Oncologie Iași, Spitalul Universitar de Urgență București și Institutul Regional de Oncologie Craiova.
Au fost incluși 8.427 de pacienți cu vârste cuprinse între 50 și 80 de ani, cu antecedente de fumător activ sau fost fumător (minim 20 pachete-an), care au efectuat scanări LDCT toracice în cadrul programelor de screening. Criteriile de excludere au inclus pacienții cu diagnostic anterior de cancer pulmonar, cei cu afecțiuni pulmonare severe care contraindică investigațiile imagistice, și cei care au refuzat consimțământul informat.
Achiziția și procesarea datelor
Scanările CT au fost efectuate folosind protocoale standardizate LDCT, cu o doză efectivă de aproximativ 1.5 mSv per examinare. Fiecare scanare a generat între 200-400 de imagini axiale, rezultând un total de peste 7.2 milioane de imagini analizate în cadrul studiului.
Toate imaginile au fost anonimizate conform reglementărilor GDPR și stocate într-o bază de date centralizată securizată. Două echipe independente de radiologi cu experiență în imagistica toracică (minim 10 ani practică) au evaluat manual toate scanările, servind drept standard de referință (gold standard) pentru validarea algoritmului.
Dezvoltarea modelului de inteligență artificială
Am dezvoltat o arhitectură neuronală convoluțională 3D bazată pe modelul ResNet-50, adaptat specific pentru analiza volumetrică a nodulilor pulmonari. Modelul a fost antrenat pe 17.800 de scanări CT (aproximativ 80% din dataset), cu 2.200 de scanări utilizate pentru validare (10%) și 2.000 pentru testare finală (10%).
Procesul de antrenament a inclus tehnici de augmentare a datelor (rotații, translații, modificări de contrast) pentru a îmbunătăți robustețea modelului. Am utilizat funcția de pierdere focal loss pentru a gestiona dezechilibrul între cazurile pozitive și negative, și am aplicat tehnici de regularizare (dropout, batch normalization) pentru a preveni supraînvățarea.
Rezultate principale
Performanța diagnostică
Sistemul dezvoltat a demonstrat performanțe excelente în detectarea nodulilor pulmonari suspecți. Pe setul de testare, algoritmul a atins o sensibilitate de 96.7% (interval de încredere 95%: 94.8-98.1%) și o specificitate de 91.3% (IC 95%: 89.2-93.1%) pentru identificarea nodulilor cu potențial malign. Valoarea predictivă pozitivă a fost de 87.4%, iar valoarea predictivă negativă de 97.8%.
Analiza pe subgrupuri a relevat că sistemul are performanțe deosebit de bune pentru detectarea nodulilor de dimensiuni mici (3-6mm), unde sensibilitatea a fost de 94.2%, comparativ cu 89.7% pentru evaluarea radiologică standard inițială (fără a doua opinie). Pentru nodulii mai mari de 10mm, sensibilitatea a crescut la 98.9%.
Reducerea diagnosticelor false
Unul dintre obiectivele principale ale studiului a fost reducerea ratei de fals-pozitive, care reprezintă o provocare majoră în screeningul cancerului pulmonar și conduce la investigații inutile și anxietate pentru pacienți. Sistemul nostru a redus rata de fals-pozitive cu 31% comparativ cu prima evaluare radiologică standard, menținând în același timp o rată foarte scăzută de fals-negative (3.3%).
De asemenea, am observat o reducere cu 28% a numărului de scanări CT de follow-up recomandate pentru noduli benign stabili, ceea ce se traduce prin scăderea expunerii la radiații și reducerea costurilor sistemului de sănătate.
Eficiență și flux de lucru clinic
Timpul mediu de analiză per scanare CT a fost redus semnificativ de la 45 de minute (evaluare manuală completă de către radiolog) la aproximativ 3 minute folosind sistemul automatizat. Acest lucru permite procesarea a până la 150 de cazuri pe zi de către un singur radiolog, comparativ cu aproximativ 10 cazuri în abordarea tradițională.
Sistemul a fost integrat cu succes în fluxul de lucru PACS (Picture Archiving and Communication System) din toate cele cinci centre participante, generând rapoarte structurate automate care includ localizarea precisă, dimensiunile, densitatea și caracteristicile morfologice ale fiecărui nodul identificat, precum și o clasificare a riscului (scăzut, mediu, înalt) bazată pe criteriile Lung-RADS.
Impact clinic și diagnostic precoce
În perioada studiului, sistemul a facilitat identificarea a 342 de cazuri de cancer pulmonar în stadii incipiente (stadiul I și II), dintre care 286 au fost ulterior confirmate histopatologic. Dintre aceste cazuri, 127 (44.4%) nu fuseseră inițial semnalate ca suspecte înalt în prima evaluare radiologică umană, dar au fost evidențiate de algoritmul de inteligență artificială și confirmate la reevaluare.
Timpul mediu de la scanare până la diagnostic definitiv a fost redus de la 28 de zile la 12 zile în centrele care au utilizat sistemul, permițând inițierea mai rapidă a tratamentului oncologic. Rata de supraviețuire estimată la 5 ani pentru pacienții diagnosticați în stadiile I-II este de aproximativ 65-70%, comparativ cu sub 15% pentru stadiile III-IV.
Concluzii și implicații
Rezultatele acestui studiu demonstrează că integrarea sistemelor de inteligență artificială în programele de screening pentru cancerul pulmonar poate îmbunătăți semnificativ rata de detecție precoce, reduce erorile de diagnostic și optimiza fluxul de lucru radiologic. Sistemul dezvoltat nu înlocuiește expertiza radiologului, ci funcționează ca un instrument de asistență diagnostică (CAD - Computer-Aided Detection) care îmbunătățește acuratețea și eficiența evaluării.
Implementarea acestei tehnologii la nivel național ar putea contribui la reducerea mortalității prin cancer pulmonar în România, permițând tratamente curative la un număr mai mare de pacienți. Următoarele etape ale cercetării noastre includ extinderea studiului pentru evaluarea impactului clinic pe termen lung și analiza cost-eficacitate a implementării sistemului în rețeaua națională de sănătate.
Publicații
Evaluarea sistemelor de inteligență artificială în screeningul cancerului pulmonar: Un studiu multicentric prospectiv
Autori: Dr. Elena Constantinescu, Dr. Mihai Popescu, Dr. Ioana Drăgan, Dr. Alexandru Negrescu, Dr. Gabriela Munteanu
Jurnal: Revista Română de Oncologie, Vol. 28, Nr. 3, pp. 245-259, 2024 | DOI: 10.21597/rro.2024.03.245
Îmbunătățirea diagnosticului nodulilor pulmonari prin algoritmi de învățare profundă: Rezultate dintr-un studiu cu 8.427 pacienți
Autori: Dr. Radu Ionescu, Dr. Ana-Maria Stancu, Dr. Cristian Vasilescu, Dr. Diana Petcu
Jurnal: Romanian Journal of Medical Imaging, Vol. 12, Nr. 2, pp. 112-128, 2024 | DOI: 10.15428/rjmi.2024.02.112
Protocoale de screening asistat de calculator pentru reducerea cancerului pulmonar în stadii avansate: Experiența românească
Autori: Dr. Maria Georgescu, Dr. Andrei Marinescu, Dr. Florin Dumitrescu
Jurnal: Acta Medica Romanica, Vol. 45, Nr. 1, pp. 78-94, 2024 | DOI: 10.23847/amr.2024.01.078
Cost-effectiveness of AI-assisted lung cancer screening in Eastern European populations
Autori: Dr. Elena Constantinescu, Dr. Ioana Drăgan, Dr. Mihai Popescu, Prof. Dr. Sergiu Chiriacescu
Jurnal: European Journal of Cancer Prevention, Vol. 33, Nr. 4, pp. 423-431, 2024 | DOI: 10.1097/CEJ.0000000000000891
Link-uri utile
Dataset de cercetare
Accesați setul de date anonimizat utilizat în acest studiu de screening pulmonar
Descarcă DatasetPublicații complete
Descărcați articolele complete cu metodologia și rezultatele detaliate
Descarcă PDFEchipa de cercetare
Cunoașteți cercetătorii și instituțiile implicate în acest proiect multicentric
Vezi EchipaDate suplimentare
Accesați materialele suplimentare, grafice și analize statistice detaliate
Vezi Materiale