新希望：用早期檢測人工智能模型，早期發現胰臟癌
一種基於超過500萬患者的廣泛數據進行開發和驗證的早期檢測胰臟輸導管腺癌（PDAC）的機器學習模型，能夠在相同的相對風險閾值下檢測35%的PDAC病例，實現早期發現的可能，而現行的篩查方式僅能檢測到約10%的病例。
InfoAI智能情報 ｛ 新聞 }
麻省理工學院（MIT）計算機科學和人工智慧實驗室（CSAIL）的科學家與貝斯以色列醫療中心（BIDMC）放射腫瘤科的工作人員Limor Appelbaum合作，提出了一種早期檢測胰臟輸導管腺癌（PDAC）的機器學習模型，為早期胰臟癌的發現提供了新希望。該團隊與聯邦網絡公司合作，使用來自美國各地各種機構的電子健康記錄數據，開發出稱為“PRISM”神經網絡和邏輯回歸的這兩個機器學習模型。這兩個模型能夠在相同的相對風險閾值下檢測35%的PDAC病例，產生比較優越的表現，而現行的篩查方式僅能檢測約10%的病例。
這兩個模型的獨特之處在於：它們是基於超過500萬患者的數據進行開發和驗證，這超越了以往該領域的大多數研究。這些模型使用常規臨床和實驗室數據進行預測，並具有比其他PDAC模型更大的泛用性，使其適用於各種人口、地理位置和人口組。據麻省理工學院的報告指出，大數據和人工智能算法在細化癌症風險配置上的強大作用，可能為高風險患者的篩查提供新方法，以實現早期發現的可能。
PRISM模型的發展開始於六年前，由於目前診斷方法的限制，研究人員意識到早期發現胰臟癌的必要性。該模型分析患者的電子健康記錄，包括患者的人口統計信息、診斷、藥物和實驗室結果，以評估PDAC風險。PRISM模型的透明性使醫生更容易理解其工作原理，這是贏得醫生信任的一個重要因素。
儘管PRISM模型有望提早發現，但仍有竹進一步研究和改進的空間。目前模型僅使用美國的數據，未來需要進行測試和適應，以適應全球使用。該團隊希望將這些模型應用於國際數據集，並整合更多的生物標記，以進行更精確的風險評估。最終，他們的目標是使這些模型在日常醫療環境中得以實施，實現患者數據的自動分析，並且在不增加醫生工作負擔的情況下，提供高風險病例的即時警報，促使醫療早期介入。
Pitch提案成功：專做投資人想看的募資簡報
www.pitch.com.tw