Rak płuca pozostaje jednym z nowotworów o najwyższej zachorowalności i umieralności na świecie. W praktyce klinicznej nadal występują problemy z czułością wczesnego wykrywania, doborem leczenia dopasowanego do konkretnego pacjenta oraz dokładną oceną rokowania. Ograniczenia te są szczególnie istotne dlatego, że nowotwory płuca cechują się dużą różnorodnością, a ich przebieg może zmieniać się w czasie. Nowy artykuł przeglądowy analizuje, jak uczenie maszynowe może wykorzystać dane z wielu źródeł, aby wspierać kolejne etapy opieki nad chorymi.
Od decyzji opartych na doświadczeniu do analizy wielu źródeł
Tradycyjna diagnostyka i leczenie raka płuca w dużej mierze opierają się na ocenie klinicznej oraz doświadczeniu specjalistów. Takie podejście pozostaje niezbędne, ale samo w sobie może nie wystarczać do pełnego uwzględnienia złożoności choroby. Wraz z rozwojem medycyny gromadzone są coraz większe zasoby informacji, w tym obrazy medyczne, wyniki badań omicznych, dane z biopsji płynnej, obrazy z patologii cyfrowej oraz elektroniczna dokumentacja medyczna. Dane wielomodalne opisują chorobę z odmiennych perspektyw, a uczenie maszynowe może wyszukiwać w nich wzorce niewidoczne przy analizie pojedynczego źródła. Następnie cechy morfologiczne, właściwości molekularne, struktury patologiczne, biomarkery krwi i informacje kliniczne mogą zostać przekształcone w ilościowe wskaźniki pomocne przy rozpoznaniu, wyborze postępowania i ocenie ryzyka.
Przegląd przygotowały zespoły z Instytutu Medycznego Wykrywania Wielomodalnego przy Szkole Automatyki i Inteligentnego Wykrywania Uniwersytetu Jiao Tong w Szanghaju, Centrum Badań Internetu Rzeczy Medycznych przy Szpitalu Qilu Uniwersytetu Shandong oraz Centrum Badań Medycyny Laboratoryjnej Laboratorium Keqiao w Shaoxing przy Uniwersytecie Medycznym w Chongqingu. Artykuł opublikowano 29 czerwca 2026 roku w drugim tomie czasopisma Intelligent Opto-Electronics. Jego tytuł brzmi „Multi-Source Data-Driven Machine Learning for Lung Cancer: Diagnosis, Treatment, and Prognosis”, a publikacja ma DOI 10.67704/ioe.2026.260006. Jest to przegląd badań i możliwości technologicznych, a nie wynik pojedynczego badania klinicznego potwierdzającego skuteczność jednego algorytmu u pacjentów.
