منبع: Yamu_Jay/Pixabay

یک مطالعه بررسی شده دانشکده پزشکی هاروارد اخیراً در طبیعت نشان می‌دهد که چگونه ابزار آسیب‌شناسی دیجیتالی هوش مصنوعی (AI) به نام CHIEF (بنیاد ارزیابی بافت‌شناسی بالینی) از روش‌های پیشرفته یادگیری عمیق بهتر عمل می‌کند و چندین نوع سرطان را با دقت ۹۶ درصد تشخیص می‌دهد.

بر اساس گزارش سازمان جهانی بهداشت (WHO)، سرطان یکی از علل اصلی مرگ و میر است که هر ساله مسئول 9.3 میلیون مرگ در سراسر جهان است.

تشخیص زودهنگام سرطان ممکن است به نتایج بهتری منجر شود. به گفته انجمن سرطان آمریکا، نرخ بقای پنج ساله برای بسیاری از سرطان ها در صورت تشخیص زودهنگام بیش از 90 درصد است. با توجه به آمار بقای موسسه ملی سرطان در پایگاه داده SEER (Surveillance, Epidemiology, and End Results)، نرخ بقای نسبی پنج ساله برای سرطان های مرحله موضعی تقریباً 100 درصد برای پروستات، 99 درصد برای پستان، 91 درصد برای سرطان روده بزرگ است. 91 درصد برای سرطان دهانه رحم و 65 درصد برای سرطان ریه.

بر اساس تحقیقات گراند ویو، انتظار می‌رود هوش مصنوعی در انکولوژی تا سال 2030 به 19 میلیارد دلار درآمد در سطح جهان برسد، با نرخ رشد مرکب سالانه 28.9 درصد از سال 2024 تا 2030. قابلیت‌های پیش‌بینی‌کننده یادگیری ماشینی هوش مصنوعی به عنوان یک تشخیص بالقوه امیدوارکننده است. ابزاری برای کمک به پزشکان انسانی که به دنبال تشخیص زودهنگام سرطان هستند.

نویسنده مسئول، دکتر کون-هسینگ یو، MD، Ph.D.، دریافت کننده جایزه نوآوری رئیس دانشکده پزشکی هاروارد در سال 2024 و استادیار انفورماتیک بیوپزشکی در دانشگاه، نوشت: “CHIEF یک پایه قابل تعمیم برای ارزیابی آسیب شناسی دیجیتال کارآمد برای بیماران مبتلا به سرطان فراهم می کند.” دانشکده پزشکی هاروارد به همراه همکاران محقق خود.

چیزی که CHIEF را از روش های استاندارد هوش مصنوعی برای تجزیه و تحلیل تصویر هیستوپاتولوژی متمایز می کند این است که معماری آن به جای اینکه برای یک کار تشخیصی بهینه شود، به گونه ای طراحی شده است که تعمیم پذیرتر باشد.

برای این مطالعه هوش مصنوعی، محققان داده های خود را از 16 مجموعه داده آسیب شناسی تهیه کردند و راه حل آنها را در دو مرحله از قبل آموزش دادند. ابتدا، CHIEF بر روی 15 میلیون تصویر بدون برچسب گروه بندی شده در مناطق مورد علاقه آموزش دید. سپس، دانشمندان از داده‌های 60530 تصویر پاتولوژی کل اسلاید در 19 مکان آناتومیک (مغز، لوزالمعده، ریه، سینه، پروستات، بیضه، پوست، بافت نرم، غده فوق کلیوی کولورکتال، مثانه، معده، مری، کلیه، تیروئید، گردن رحم استفاده کردند. ، رحم، تخمدان، کبد) از 14 گروه مطالعه برای پیشآموزش مدل هوش مصنوعی.

محققان نوشتند: «CHIEF از طریق پیش‌آموزش روی 44 ترابایت مجموعه داده‌های تصویربرداری آسیب‌شناسی با وضوح بالا، نمایش‌های میکروسکوپی مفید برای تشخیص سلول‌های سرطانی، شناسایی منشاء تومور، مشخصات مولکولی و پیش‌بینی پیش آگهی را استخراج کرد.

مدل هوش مصنوعی با بیش از 19400 داده تصویر کل اسلاید از 32 مجموعه اسلاید مستقل از 24 بیمارستان و گروه های بین المللی تأیید شد.

محققان گزارش دادند که مدل هوش مصنوعی آنها به دقت بالای 96 درصد در تشخیص سرطان برای انواع مختلف سرطان مانند پروستات، روده بزرگ، معده و مری، زمانی که بر روی پنج مجموعه داده بیوپسی از گروه‌های مستقل ارزیابی شد، دست یافت. هنگامی که CHIEF با تصاویر جدیدی که این مدل قبلاً روی تومورهای برداشته شده با جراحی از سینه، ریه، روده بزرگ، دهانه رحم و آندومتر ندیده بود، آزمایش شد، بیش از 90 درصد دقت به دست آورد.

در کار پیش‌بینی جهش‌های ژنی، CHIEF به 96 درصد برای یافتن یک جهش ژن EZH2 رایج در سرطان خون منتشر، لنفوم سلول B بزرگ، 91 درصد دقت برای جهش ژن NTRK1 که در سرطان‌های سر و گردن یافت می‌شود، و 89 درصد دقت برای جهش ژن BRAF در سرطان تیروئید

برای پیش‌بینی بقای بیمار، CHIEF توانست پیش‌بینی کند که کدام بیماران برای همه انواع سرطان‌ها و گروه‌های بیمار مورد مطالعه بیشتر زنده می‌مانند و در پیش‌بینی سرطان‌های مراحل بعدی 10 درصد از مدل‌های موجود بهتر عمل کردند.

دانشمندان همچنین CHIEF را قادر به شناسایی و برجسته کردن مناطق مورد علاقه در تصاویر، مانند یک نقشه حرارتی برای جلب توجه به مناطق مهم برای پیش‌بینی بقا کردند.

محققان گزارش دادند: “به طور کلی، CHIEF تا 36.1 درصد از روش های پیشرفته یادگیری عمیق بهتر عمل کرد، که نشان دهنده توانایی خود در رسیدگی به تغییرات دامنه مشاهده شده در نمونه هایی از جمعیت های مختلف و پردازش شده با روش های مختلف تهیه اسلاید است.”

در نقطه تلاقی هوش مصنوعی و آسیب شناسی، مطالعات تحقیقاتی دنباله‌رویی مانند این است که به سرعت در حال پیشبرد انکولوژی دقیق به سمت آینده‌ای بهتر است.

حق چاپ © 2024 Cami Rosso. تمامی حقوق محفوظ است.