هوش مصنوعی جدید هاروارد تمایز دقیق تومورهای مشابه مغزی را در حین جراحی ممکن میسازد
گروهی از پژوهشگران به رهبری دانشکده پزشکی دانشگاه هاروارد موفق به توسعه ابزار هوش مصنوعی جدیدی با نام PICTURE (مخفف Pathology Image Characterization Tool with Uncertainty-aware Rapid Evaluations) شدهاند که میتواند با دقتی نزدیک به صددرصد، دو نوع تومور مشابه مغزی را از یکدیگر تشخیص دهد.
به گزارش مدرن مد به نقل از Nature Communications، این دو سرطان — گلیوبلاستوم (شایعترین و تهاجمیترین تومور مغزی) و لنفوم اولیه سیستم عصبی مرکزی (PCNSL) — در ظاهر بسیار شبیه هم هستند، اما از لحاظ منشاء سلولی، رفتار و درمان تفاوتهای بنیادینی دارند.
گلیوبلاستوم از سلولهای مغز منشاء میگیرد، در حالی که PCNSL از سلولهای ایمنی بدن منشأ میگیرد. این شباهت ظاهری اغلب سبب خطا در تشخیص میشود و میتواند پیامدهای جدی برای انتخاب روش درمانی داشته باشد.
پژوهشگران تأکید کردند که تشخیص درست نوع تومور در حین جراحی از دشوارترین چالشهای حوزه نوروانکولوژی است، زیرا تصمیمگیری سریع جراح برای ادامه جراحی یا توقف آن به نتیجه تشخیص اولیه وابسته است. در مورد گلیوبلاستوم، برداشتن تومور ضروری است، اما در مورد PCNSL، درمان مناسب شامل پرتودرمانی و شیمیدرمانی است و نیازی به جراحی ندارد.
دکتر کانهسینگ یو (Kun-Hsing Yu)، دانشیار انفورماتیک زیستپزشکی در مؤسسه بلاواتنیک دانشگاه هاروارد و استاد آسیبشناسی در بیمارستان Brigham and Women’s، گفت: «مدل ما میتواند خطاهای تشخیصی را کاهش داده و به پزشکان کمک کند تا بر اساس ماهیت واقعی تومور، مناسبترین مسیر درمان را انتخاب کنند.»
این ابزار هوش مصنوعی قابلیت استفاده در حین جراحی را دارد و اطلاعات تشخیصی را به صورت بلادرنگ (real-time) در اختیار جراحان و آسیبشناسان قرار میدهد. عملکرد PICTURE در پنج بیمارستان بینالمللی و در چهار کشور آزمایش شده و نتایج نشان داده است که این سامانه عملکردی بهتر از پاتولوژیستهای انسانی و مدلهای هوش مصنوعی دیگر دارد.
ویژگی متمایز این مدل، وجود «سامانه تشخیص عدم اطمینان» است؛ به این معنا که ابزار نه تنها قادر به تمایز دقیق بین انواع تومور است، بلکه در مواقعی که در تشخیص خود مطمئن نیست، هشدار لازم را صادر میکند تا تصمیم نهایی توسط پزشک متخصص گرفته شود.
در آزمایشهای انجامشده بر روی ۲٬۱۴۱ اسلاید آسیبشناسی مغزی از مراکز مختلف جهان، مدل PICTURE موفق شد در بیش از ۹۸ درصد موارد بهدرستی بین گلیوبلاستوم و PCNSL تمایز قائل شود. همچنین توانست موارد نادری از تومورهای دیگر سیستم عصبی مرکزی را که در مرحله آموزش به آن داده نشده بود، شناسایی و برای بررسی انسانی علامتگذاری کند.
پژوهشگران خاطرنشان کردند که این فناوری میتواند گامی مؤثر در جهت همکاری میان انسان و هوش مصنوعی در تصمیمگیریهای حیاتی پزشکی باشد و علاوه بر کاربرد بالینی، به عنوان یک ابزار آموزشی برای آموزش آسیبشناسان نسل آینده نیز مورد استفاده قرار گیرد.
با وجود نتایج چشمگیر، تیم تحقیقاتی اعلام کرده است که برای اطمینان از عملکرد مدل در میان جمعیتهای متنوع، مطالعات بیشتری مورد نیاز است. همچنین در آینده، قرار است دامنه عملکرد این مدل به سایر انواع تومورهای مغزی گسترش یابد و با دادههای ژنتیکی و مولکولی ترکیب شود تا تحلیلهای عمیقتری فراهم گردد.
