Ερευνητές στο που εστιάζει στη μηχανική υπολογιστών και , κατασκεύασε δύο αλγόριθμους μηχανικής μάθησης που μπορούν να ανιχνεύσουν τον καρκίνο του παγκρέατος σε υψηλότερο όριο από τα τρέχοντα διαγνωστικά πρότυπα. Τα δύο μοντέλα μαζί σχηματίστηκαν για να δημιουργήσουν το νευρωνικό δίκτυο «PRISM». Έχει σχεδιαστεί για να ανιχνεύει ειδικά το αδενοκαρκίνωμα του παγκρεατικού πόρου (PDAC), την πιο διαδεδομένη μορφή καρκίνου του παγκρέατος.
Τα τρέχοντα τυπικά κριτήρια προσυμπτωματικού ελέγχου PDAC πιάνουν περίπου το 10 τοις εκατό των περιπτώσεων σε ασθενείς που εξετάζονται από επαγγελματίες. Συγκριτικά, το PRISM του MIT ήταν σε θέση να αναγνωρίσει περιπτώσεις PDAC στο 35 τοις εκατό του χρόνου.
Κατά τη χρήση δεν είναι ένα εντελώς νέο κατόρθωμα, το PRISM του MIT ξεχωρίζει λόγω του τρόπου με τον οποίο αναπτύχθηκε. Το νευρωνικό δίκτυο προγραμματίστηκε με βάση την πρόσβαση σε διάφορα σύνολα πραγματικών ηλεκτρονικών αρχείων υγείας από ιδρύματα υγείας σε όλες τις ΗΠΑ. Τροφοδοτήθηκε με δεδομένα από περισσότερα από 5 εκατομμύρια ηλεκτρονικά αρχεία υγείας ασθενών, τα οποία οι ερευνητές από την ομάδα είπαν ότι «ξεπέρασαν την κλίμακα» των πληροφοριών που τροφοδοτήθηκαν σε ένα μοντέλο τεχνητής νοημοσύνης σε αυτόν τον συγκεκριμένο τομέα έρευνας. «Το μοντέλο χρησιμοποιεί κλινικά και εργαστηριακά δεδομένα ρουτίνας για να κάνει τις προβλέψεις του και η ποικιλομορφία του πληθυσμού των ΗΠΑ είναι μια σημαντική πρόοδος σε σχέση με άλλα μοντέλα PDAC, τα οποία συνήθως περιορίζονται σε συγκεκριμένες γεωγραφικές περιοχές όπως μερικά κέντρα υγειονομικής περίθαλψης στις ΗΠΑ», Kai Jia , είπε ο ανώτερος συγγραφέας της εργασίας στο MIT CSAIL PhD.
Το έργο PRISM του MIT ξεκίνησε πριν από περισσότερα από έξι χρόνια. Το κίνητρο πίσω από την ανάπτυξη ενός αλγορίθμου που μπορεί να ανιχνεύσει νωρίς το PDAC σχετίζεται σε μεγάλο βαθμό με το γεγονός ότι οι περισσότεροι ασθενείς διαγιγνώσκονται στα τελευταία στάδια της ανάπτυξης του καρκίνου — συγκεκριμένα περίπου το ογδόντα τοις εκατό διαγιγνώσκονται πολύ αργά.
Το AI λειτουργεί αναλύοντας δημογραφικά στοιχεία ασθενών, προηγούμενες διαγνώσεις, τρέχοντα και προηγούμενα φάρμακα σε σχέδια φροντίδας και εργαστηριακά αποτελέσματα. Συλλογικά, το μοντέλο λειτουργεί για να προβλέψει την πιθανότητα καρκίνου αναλύοντας δεδομένα ηλεκτρονικών αρχείων υγείας σε συνδυασμό με πράγματα όπως η ηλικία του ασθενούς και ορισμένοι παράγοντες κινδύνου που είναι εμφανείς στον τρόπο ζωής του. Ωστόσο, το PRISM εξακολουθεί να είναι σε θέση να βοηθήσει στη διάγνωση τόσο πολλών ασθενών με τον ρυθμό που η τεχνητή νοημοσύνη μπορεί να φτάσει στις μάζες. Αυτή τη στιγμή, η τεχνολογία είναι υποχρεωμένη να και επιλεγμένους ασθενείς στις Η.Π.Α. Η υλικοτεχνική πρόκληση της κλιμάκωσης της τεχνητής νοημοσύνης θα περιλαμβάνει την τροφοδοσία του αλγόριθμου με περισσότερα διαφορετικά σύνολα δεδομένων και ίσως ακόμη και παγκόσμια προφίλ υγείας για την αύξηση της προσβασιμότητας.
Ωστόσο, αυτό δεν είναι το πρώτο μαχαίρι του MIT στην ανάπτυξη ενός μοντέλου τεχνητής νοημοσύνης που μπορεί να προβλέψει τον κίνδυνο καρκίνου. Συγκεκριμένα ανέπτυξε έναν τρόπο εκπαίδευσης μοντέλων πώς να προβλέπουν το μεταξύ των γυναικών που χρησιμοποιούν αρχεία μαστογραφίας. Σε αυτή τη γραμμή έρευνας, επιβεβαίωσαν οι ειδικοί του MIT, όσο πιο διαφορετικά είναι τα σύνολα δεδομένων, τόσο καλύτερη γίνεται η τεχνητή νοημοσύνη στη διάγνωση των καρκίνων και πληθυσμούς. Η συνεχής ανάπτυξη μοντέλων τεχνητής νοημοσύνης που μπορούν να προβλέψουν την πιθανότητα καρκίνου όχι μόνο θα βελτιώσει τα αποτελέσματα για τους ασθενείς εάν η κακοήθεια εντοπιστεί νωρίτερα, αλλά θα μειώσει επίσης τον φόρτο εργασίας του Η αγορά της τεχνητής νοημοσύνης στα διαγνωστικά είναι τόσο ώριμη για αλλαγές που κεντρίζει το ενδιαφέρον των μεγάλων εμπορικών τεχνολογιών η οποία επιχείρησε να δημιουργήσει ένα πρόγραμμα τεχνητής νοημοσύνης που μπορεί να ανιχνεύσει τον καρκίνο του μαστού ένα χρόνο νωρίτερα.