گروهی از پژوهشگران موفق شدهاند سامانهای مبتنی بر هوش مصنوعی توسعه دهند که میتواند بازگشت تومور مغزی در کودکان را با استفاده از تصاویر متوالی MRI پیشبینی کند. این سیستم با بهرهگیری از روش نوآورانهای به نام «یادگیری زمانی» که چندین تصویر پس از درمان را پردازش میکند، توانسته است عملکردی بسیار بهتر از مدلهای سنتی که تنها بر پایه یک اسکن عمل میکنند، ارائه دهد.این رویکرد نوید میدهد که تعداد تصویربرداریهای غیرضروری و اضطراب خانوادهها کاهش یابد و در عین حال، مداخلات درمانی هدفمندتری در مراحل اولیهی خطر بازگشت بیماری امکانپذیر شود. انتظار میرود آزمایشهای بالینی آتی، اثربخشی این روش را در محیطهای واقعی تأیید کنند.
تصاویر پزشکی ارزشمند شده است، چرا که قادر است الگوهایی را شناسایی کند که ممکن است از دید کارشناسان انسانی پنهان بماند. در زمینه درمان سرطان مغز کودکان، هوش مصنوعی میتواند شیوهی پایش کودکان مبتلا به گلیوما (نوعی تومور مغزی که در بسیاری از موارد قابل درمان است اما گاهی پس از درمان عود میکند) را بهبود ببخشد.پژوهشگرانی از مؤسسه Mass General Brigham، با همکاری بیمارستان کودکان بوستون و مرکز سرطان و اختلالات خونی Dana-Farber/Boston Children’s، سامانهای مبتنی بر یادگیری عمیق توسعه دادهاند که مجموعهای از تصاویر MRI مغز را پس از درمان تحلیل میکند. این سامانه آموزش دیده است تا نشانههای اولیهی احتمال بازگشت تومور را شناسایی کند. نتایج این پژوهش اخیراً در مجله The New England Journal of Medicine AI منتشر شده است.
دکتر بنجامین کن، نویسنده مسئول این مطالعه از برنامهی هوش مصنوعی در پزشکی (AIM) در Mass General Brigham و بخش انکولوژی پرتوی بیمارستان زنان و بریگهام، میگوید: «بسیاری از گلیوماهای کودکان تنها با جراحی قابل درماناند، اما اگر بازگشتی رخ دهد، میتواند بسیار ویرانگر باشد. پیشبینی اینکه چه کسی در معرض خطر بازگشت است، کار دشواری است؛ به همین دلیل بیماران باید سالها تحت تصویربرداریهای مکرر MRI قرار گیرند، که این روند برای کودکان و خانوادههایشان پر استرس و طاقتفرساست. ما به ابزارهای بهتری نیاز داریم تا از ابتدا تشخیص دهیم چه بیمارانی در بالاترین سطح خطر قرار دارند.»
از آنجا که سرطانهای کودکان نسبتاً نادر هستند، پژوهشهایی از این دست با چالش کمبود داده مواجهاند. برای غلبه بر این مانع، پژوهشگران با مؤسساتی در سراسر آمریکا همکاری کردند تا مجموعهای شامل نزدیک به ۴۰۰۰ تصویر MRI از ۷۱۵ کودک گردآوری کنند. برای بهرهبرداری مؤثر از این دادهها، آنها از روشی به نام یادگیری زمانی استفاده کردند. در این روش، هوش مصنوعی آموزش میبیند که الگوهای تغییرات در تصاویر مغزی کودک پس از جراحی را طی زمان شناسایی کند و در نتیجه توانایی پیشبینی بازگشت تومور را بهبود بخشد.
به طور معمول، مدلهای هوش مصنوعی در تصویربرداری پزشکی به گونهای آموزش میبینند که تنها از یک اسکن نتیجهگیری کنند؛ اما در یادگیری زمانی — روشی که تاکنون در پژوهشهای تصویربرداری پزشکی استفاده نشده بود — تصاویر متوالی در طول زمان برای پیشبینی بازگشت سرطان به کار گرفته میشوند.برای توسعه این مدل، پژوهشگران ابتدا سامانه را آموزش دادند تا تصاویر MRI پس از جراحی را به ترتیب زمانی مرتب کند، به طوری که مدل بتواند تغییرات ظریف را شناسایی کند. سپس مدل به گونهای دقیق تنظیم شد تا این تغییرات را بهدرستی با بازگشت تومور، در صورت وجود، ارتباط دهد.
در نهایت، پژوهشگران دریافتند که مدل یادگیری زمانی میتواند بازگشت گلیوماهای کمدرجه یا پرخطر را تا یک سال پس از درمان، با دقتی بین ۷۵ تا ۸۹ درصد پیشبینی کند — رقمی که به طور قابل توجهی بالاتر از دقت پیشبینی بر پایهی تنها یک تصویر است (حدود ۵۰ درصد، که معادل با حدس تصادفی است). آنها همچنین دریافتند که اضافه کردن تصاویر بیشتری از زمانهای مختلف پس از درمان، دقت پیشبینی مدل را افزایش میدهد، ولی پس از استفاده از چهار تا شش تصویر، این بهبود به حالت اشباع میرسد.
پژوهشگران هشدار میدهند که پیش از به کارگیری بالینی این روش، نیاز به اعتبارسنجیهای بیشتری در محیطهای مختلف وجود دارد. در نهایت، آنها امیدوارند که بتوانند آزمایشهای بالینی راهاندازی کنند تا ببینند آیا پیشبینی خطر توسط هوش مصنوعی میتواند بهبودهایی در روند درمان ایجاد کند — چه با کاهش دفعات تصویربرداری برای بیماران کمخطر، و چه با آغاز درمانهای هدفمند و مکمل برای بیماران پرخطر.
دویانشو تاک، نویسنده اول مقاله از برنامه AIM در Mass General Brigham و بخش انکولوژی پرتوی بیمارستان بریگهام، میگوید: «ما نشان دادهایم که هوش مصنوعی میتواند به طور مؤثر از تحلیل چندین تصویر، نه فقط یک اسکن، نتیجهگیری کند. این تکنیک میتواند در بسیاری از زمینههایی که بیماران به طور سریالی و طولی تصویربرداری میشوند به کار رود، و ما مشتاقیم ببینیم این پروژه چه الهاماتی در آینده خواهد داشت.»
منبع: کلیک کنید
