هوش مصنوعی جدید، نشانگرهای مولکولی سرطان را از اسلایدهای معمول بافت پیشبینی میکند
پژوهشگران مؤسسه تحقیقات پزشکی QIMR Berghofer استرالیا، ابزار هوش مصنوعی جدیدی به نام STimage توسعه دادهاند که میتواند با تحلیل اسلایدهای معمول آسیبشناسی، نشانگرهای مولکولی پنهان سرطان را شناسایی کند. این فناوری قرار است بهزودی در آزمایشگاههای آسیبشناسی مورد ارزیابی قرار گیرد و میتواند راهکاری کمهزینهتر برای غربالگری مولکولی بیماران فراهم کند.
به گزارش مدرن مد به نقل از mobihealthnews، ابزار STimage که بر پایه یادگیری ماشین طراحی شده است، با استفاده از تحلیل فضایی اسلایدهای بافتی رنگآمیزیشده با هماتوکسیلین و ائوزین (H&E)، الگوهای مولکولی مرتبط با بیماری را شناسایی میکند. این سامانه پس از تحلیل نمونه، پیشبینی تشخیصی ارائه میدهد، میزان اطمینان به نتیجه را اعلام میکند و توضیح میدهد که این نتیجه بر چه اساسی به دست آمده است.
این مدل با استفاده از مجموعه دادههای ناشناس بیماران مبتلا به سرطانهای پستان، پوست و کلیه و همچنین بیماری نادر کبدی «کلانژیت اسکلروزان اولیه» آموزش دیده است.
کمک به تصمیمگیری آسیبشناسان
در کاربرد بالینی، آسیبشناس تصویر دیجیتال اسلاید بافتی را در یک سامانه ابری امن بارگذاری میکند. STimage پس از تحلیل، نتیجه خود را ارائه میدهد و پزشک میتواند درباره تحلیل انجامشده از سامانه سؤال بپرسد و نتیجه هوش مصنوعی را در کنار ارزیابی تخصصی خود قرار دهد.
به گفته پژوهشگران، این فناوری قرار نیست جایگزین آسیبشناسان شود، بلکه با ارائه اطلاعاتی درباره انواع سلولها و فعالیت ژنی که با چشم قابل مشاهده نیستند، به تصمیمگیری دقیقتر پزشکان کمک خواهد کرد.
نتایج امیدوارکننده در مطالعات اولیه
نتایج مطالعه منتشرشده در نشریه Nature Communications نشان میدهد STimage توانسته الگوهای فعالیت ژنی و انواع سلولها را در سرطانهای پستان، پوست و کلیه و همچنین یک بیماری التهابی کبد پیشبینی کند.
در این پژوهش، بیش از ۲.۱ میلیون سلول از ۷۶ بیمار و همچنین مجموعه داده مستقلی شامل ۶۷۰ بیمار مبتلا به سرطان پستان مورد بررسی قرار گرفت.
در آزمایش روی ۱٬۰۳۴ تصویر سرطان پستان، پیشبینیهای این سامانه همبستگی قابل قبولی با نتایج فعالیت ژنی اندازهگیریشده در آزمایشگاه داشت. همچنین این ابزار توانست بیماران را از نظر خطر بقا طبقهبندی کرده و پاسخ به درمان را با دقت ۰.۷۰ پیشبینی کند؛ در حالی که این شاخص برای روش استاندارد توالییابی RNA برابر با ۰.۷۸ بود.
STimage همچنین در مقایسه با شش مدل مشابه، در ۲۷ مورد از ۳۳ نمونه بافت سرطان پستان عملکرد بهتری داشت و در شش نمونه دیگر نیز نتایجی همسطح بهترین مدلها ارائه کرد.
کاهش هزینه و زمان تحلیل نمونهها
پژوهشگران معتقدند استفاده از این فناوری میتواند زمان و هزینه تحلیل نمونههای بافتی را کاهش دهد، هرچند میزان دقیق این صرفهجویی هنوز اعلام نشده است.
کوان نگوین، دانشیار مؤسسه QIMR Berghofer و سرپرست توسعه STimage، این فناوری را به «قدرت دید ابرقهرمانانه» برای آسیبشناسان تشبیه کرد و گفت: «این سامانه به پزشکان امکان میدهد میلیونها نشانگر زیستی نامرئی را در یک نمونه کوچک بافت بررسی کرده و موارد اندکی را که نشانه سرطان هستند، شناسایی کنند.»
به گفته وی، این قابلیت میتواند به تشخیص زودهنگام بیماری، افزایش دقت تشخیص و انتخاب آگاهانهتر روش درمان کمک کند. همچنین STimage میتواند با کاهش حجم کار متخصصان آسیبشناسی، پاسخگوی افزایش تقاضا در مراکز درمانی شهری و مناطق کمبرخوردار باشد.
آغاز آزمایشهای بالینی در آزمایشگاههای آسیبشناسی
تیم تحقیقاتی قصد دارد STimage را ابتدا در آزمایشگاههای آسیبشناسی برای تشخیص سرطان پستان و سرطان پوست آزمایش کند. پژوهشگران امیدوارند این فناوری ظرف دو سال آینده وارد کاربردهای بالینی شود.
در ادامه نیز توسعه این سامانه با هدف افزایش دقت، افزودن انواع جدید سرطانها و گسترش مجموعه دادههای آموزشی ادامه خواهد یافت تا امکان شناسایی سلولهای سرطانی نادر و انواع مهم سلولهای ایمنی در مراحل اولیه بیماری فراهم شود.
روند رو به رشد هوش مصنوعی در آسیبشناسی
توسعه STimage بخشی از موج روبهرشد کاربرد هوش مصنوعی در آسیبشناسی است. در ماههای اخیر، پژوهشگران دانشگاه علم و فناوری هنگکنگ نیز سامانه PRET را برای تشخیص انواع مختلف سرطان با حداقل داده آموزشی معرفی کردند. همچنین سیستم Glanzir برای تولید تصاویر آسیبشناسی از بافت تازه، بدون نیاز به انجماد و رنگآمیزی، و ابزار imECMS برای تشخیص سرطان مری از اسلایدهای استاندارد H&E، از دیگر نوآوریهای این حوزه به شمار میروند.
