توسعه الگوریتم هوش مصنوعی برای شناسایی خطر عود سرطان روده
پژوهشگران دانشگاه لاتروب استرالیا الگوریتمی مبتنی بر هوش مصنوعی توسعه دادهاند که با تحلیل اسلایدهای پاتولوژی میتواند بیماران مبتلا به سرطان روده مرحله دوم را که در معرض خطر بالاتر عود بیماری قرار دارند، شناسایی کند.
به گزارش مردن مد به نقل از ANZ AI، این مدل هوش مصنوعی که «SÉMIL» نام دارد، الگوهای رشد تومور در بخش مهاجم یا «جبهه تهاجمی» تومور را بررسی میکند؛ ویژگیای که از نظر پیشآگهی بیماری اهمیت بالایی دارد، اما ارزیابی آن بهصورت چشمی توسط پاتولوژیستها میتواند با اختلاف نظر همراه باشد.
فرانسیس مگیسون، پژوهشگر اصلی این مطالعه و دانشجوی دکتری دانشکده علوم محاسباتی، مهندسی و ریاضی دانشگاه لاتروب، گفت: «جبهه تهاجمی یک عامل شناختهشده در پیشآگهی بیماری است، اما در حال حاضر با چشم انسان ارزیابی میشود و پاتولوژیستها همیشه در مورد آن اتفاق نظر ندارند.»
آموزش مدل با تصاویر و گزارشهای پاتولوژی
مدل SÉMIL با استفاده از نمونههای مربوط به ۳۸۸ بیمار مبتلا به سرطان روده مرحله سوم در مجموعه Austin Health آموزش داده شد. این اسلایدها پیشتر توسط یک پاتولوژیست متخصص در حوزه گوارش در مؤسسه تحقیقات سرطان Olivia Newton-John به دو گروه «نفوذی» و «گسترشیابنده» طبقهبندی شده بودند.
پژوهشگران علاوه بر تصاویر پاتولوژی، توضیحات مکتوب مربوط به اسلایدها را نیز برای آموزش مدل به کار گرفتند. به گفته مگیسون، ترکیب اطلاعات تصویری و توصیفات تخصصی موجب شد عملکرد مدل هنگام ارزیابی اسلایدهایی که در مرحله آموزش مشاهده نکرده بود، قابلاعتمادتر باشد.
پس از آموزش، عملکرد SÉMIL روی بیش از یک هزار و ۲۲۰ بیمار مبتلا به سرطان روده مرحله دوم در یک مجموعه داده مربوط به Austin Health و دو مجموعه داده مستقل دیگر مورد ارزیابی قرار گرفت.
دو برابر شدن خطر عود در بیماران پرخطر
نتایج این مطالعه که در نشریه Gastroenterology منتشر شده است، نشان داد SÉMIL میتواند گروهی از بیماران مبتلا به سرطان روده مرحله دوم را که با خطر بالاتر عود بیماری طی پنج سال مواجه هستند، شناسایی کند.
بر اساس یافتههای پژوهش، بیمارانی که توسط مدل هوش مصنوعی در گروه پرخطر قرار گرفتند، تقریباً دو برابر بیشتر در معرض خطر عود سرطان طی پنج سال بودند؛ این ارتباط حتی پس از در نظر گرفتن عوامل بالینی شناختهشده مؤثر بر پیشآگهی نیز مشاهده شد.
پژوهشگران همچنین دریافتند ترکیب ارزیابی هوش مصنوعی با ارزیابی پاتولوژیست میتواند دقت طبقهبندی خطر را افزایش دهد.
قابلیت ادغام با پاتولوژی دیجیتال
یکی از مزیتهای بالقوه SÉMIL این است که میتواند در آینده در جریانهای کاری موجود در پاتولوژی دیجیتال ادغام شود و برای استفاده از آن به نمونه بافتی اضافی یا آزمایشهای پرهزینه جدید نیاز نباشد.
پژوهشگران همچنین معتقدند ارزیابیهای پاتولوژی مبتنی بر هوش مصنوعی را میتوان در کنار نشانگرهای زیستی نوظهور قرار داد تا طبقهبندی خطر بیماران دقیقتر شده و تصمیمگیری درباره برنامه درمانی بهبود یابد.
به گفته تیم تحقیق، این فناوری در آینده میتواند به پزشکان در شناسایی بیماران پرخطر و تصمیمگیری درباره نحوه درمان آنها کمک کند؛ با این حال، استفاده بالینی از مدل هنوز نیازمند ارزیابیهای بیشتری است.
نیاز به اعتبارسنجی در جمعیتهای مختلف
این پژوهش با همکاری محققانی از مرکز علوم مولکولی دانشگاه لاتروب، دانشکده پزشکی سرطان دانشگاه لاتروب، مؤسسه تحقیقات پزشکی والتر و الیزا هال، دانشگاه موناش، دانشگاه ملبورن، دانشگاه نیوساوثولز، مرکز سرطان پیتر مککالوم و چند مرکز سرطان دیگر در استرالیا انجام شده است.
تیم دانشگاه لاتروب اعلام کرده است که در مرحله بعد قصد دارد SÉMIL را در جمعیتهای بیشتری از بیماران و با همکاری مؤسسات دیگر مورد آزمایش قرار دهد.
با این حال، پژوهشگران تأکید کردهاند که پیش از آنکه این مدل بتواند مستقیماً در تصمیمگیریهای درمانی مورد استفاده قرار گیرد، باید مطالعات بالینی بیشتری انجام شود. از جمله این مطالعات باید مشخص کند آیا گروههای پرخطری که SÉMIL شناسایی میکند واقعاً از دریافت درمانهای بیشتر سود میبرند یا خیر. همچنین عملکرد مدل باید در جمعیتهای بیماران کشورهای مختلف مورد بررسی قرار گیرد.
اهمیت فناوری در مدیریت سرطان روده
سرطان روده چهارمین سرطان شایع از نظر تشخیص و دومین عامل مرگومیر ناشی از سرطان در استرالیا محسوب میشود. یکی از چالشهای مهم در درمان بیماران مبتلا به سرطان روده مرحله دوم، شناسایی افرادی است که پس از جراحی با خطر بالاتر عود مواجه هستند و ممکن است به درمان تکمیلی نیاز داشته باشند.
این مسئله از آن جهت اهمیت دارد که پزشکان باید مزایای احتمالی شیمیدرمانی را در برابر عوارض آن ارزیابی کنند. بر اساس دستورالعملهای بالینی استرالیا، شیمیدرمانی تنها درمانی است که در شرایط مشخص پس از جراحی برای این بیماران توصیه میشود.
در چنین شرایطی، فناوریهایی مانند SÉMIL میتوانند با استخراج الگوهای پاتولوژیک از تصاویر بافتی، اطلاعات بیشتری برای تفکیک بیماران کمخطر و پرخطر در اختیار پزشکان قرار دهند.
حرکت منطقهای به سوی استفاده از هوش مصنوعی برای پیشبینی عود سرطان
توسعه SÉMIL بخشی از روند گستردهتر استفاده از هوش مصنوعی در منطقه آسیا-اقیانوسیه برای پیشبینی عود سرطان است.
در سنگاپور، پژوهشگران سامانهای با عنوان «Tumour Immune Microenvironment Spatial» یا TIMES Score توسعه دادهاند که برای پیشبینی احتمال عود سرطان کبد استفاده میشود و در یک مطالعه به دقت ۸۲ درصدی دست یافته است.
همچنین سال گذشته پژوهشگران مرکز پزشکی سامسونگ در کره جنوبی مدل هوش مصنوعی «RADAR CARE» را توسعه دادند که میتواند خطر عود سرطان ریه سلول غیرکوچک را طی یک سال پیشبینی کند.
در استرالیا نیز یک شبکه بهداشت اولیه در شمال کوئینزلند از یک پلتفرم مبتنی بر هوش مصنوعی برای شناسایی و جذب افراد بیشتر به برنامههای غربالگری سرطان روده استفاده کرده است.
با ادامه توسعه این فناوریها، هوش مصنوعی در حال حرکت از مرحله تشخیص صرف بیماری به سمت ارزیابی پیشآگهی، پیشبینی عود و کمک به انتخاب درمان مناسب برای بیماران مبتلا به سرطان است.
