منبع: Artvizual/Pixabay

منطقه ای با امید و نوید بزرگ برای یادگیری عمیق هوش مصنوعی کاربردی (AI) در تقاطع علوم اعصاب و سرطان شناسی قرار دارد، هر دو زمینه چالش برانگیز که به دلیل پیچیدگی ذاتی خود شناخته شده اند. یک مطالعه جدید منتشر شده در روش‌ها و پروتکل‌های زیست‌شناسی نشان می دهد که چگونه ترکیب منحصر به فرد هوش مصنوعی قابل توضیح (XAI) و الگوریتم تشخیص حیوانات استتار مجدد می تواند سرطان مغز انسان را شناسایی کند.

آرش یزدان بخش، سرپرست تیم تحقیق، دکتر آرش یزدانبخش، استادیار پژوهشی در گروه علوم پزشکی، می نویسد: «این اولین تحقیق در نوع خود است که یادگیری انتقال حیوانات استتاری را در آموزش شبکه عصبی عمیق در تشخیص و طبقه بندی تومور به کار می برد. علوم روانشناسی و مغز در دانشگاه بوستون، با همکاری فارس رستم، ازکیل موروز، پدرام پروا، و هالوک اوگمن.

بر اساس گزارش رصدخانه جهانی سرطان توسط آژانس بین المللی تحقیقات سرطان سازمان جهانی بهداشت، در سراسر جهان، سرطان های مغز و سیستم عصبی مرکزی بیش از 321000 مورد جدید و 248500 مورد مرگ را در سال 2022 به خود اختصاص دادند.

سالانه حدود 90000 تومور مغزی در ایالات متحده تشخیص داده می شود که از این تعداد حدود 25200 تومور سرطانی هستند. آمار و ارقام سرطان انجمن سرطان آمریکا 2024; انجمن ملی تومور مغزی؛ ائتلاف جهانی برای تحقیقات تطبیقی بر اساس همین گزارش، در سال 2024، حدود 25400 مورد جدید سرطان مغز و دیگر سیستم عصبی و 18760 مورد مرگ در ایالات متحده وجود خواهد داشت.

بر اساس گزارش انجمن ملی تومور مغزی (NBTS) در ایالات متحده، تخمین زده می شود که 1 میلیون نفر با یک تومور مغزی اولیه زندگی می کنند و تقریباً 28 درصد از تمام تومورهای مغزی بدخیم هستند. کشنده ترین شکل سرطان مغز، گلیوبلاستوما (GBM)، 50 درصد از تمام تومورهای سرطانی مغزی اولیه در آمریکا را تشکیل می دهد و میانگین بقای آن 8 ماه و نرخ بقای نسبی پنج ساله 6.9 درصد در هر NBTS است.

تومور مغزی رشد سلول های غیر طبیعی در بافت مغز است. تومور مغزی اولیه به هر توموری گفته می‌شود که از مغز یا ناحیه مغز منشا می‌گیرد، برخلاف تومور متاستاتیک مغز، که سرطانی است که از قسمت دیگری از بدن به بران گسترش یافته است.

تومورهای مغزی اولیه را می توان به تومورهای گلیال یا گلیوم و تومورهای غیرگلیال تقسیم کرد. سیستم عصبی انسان حاوی نورون ها و سلول های غیر عصبی به نام گلیا است. نورون ها که به عنوان سلول های عصبی یا نورون ها نیز شناخته می شوند، سلول های تحریک پذیری هستند که تکانه های الکتروشیمیایی را منتقل می کنند. به گفته سوزانا هرکولانو هوزل، دکترای عصب‌شناس دانشگاه وندربیلت، مغز انسان تقریباً از 86 میلیارد نورون تشکیل شده است که در مقاله خود در سال 2012 منتشر شده است. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا (PNAS).

کلمه گلیا از کلمه یونانی باستان γλία به معنای “چسب” گرفته شده است. در داخل سیستم عصبی مرکزی (CNS)، انواع اصلی گلیا شامل آستروسیت ها، میکروگلیاها و الیگودندروسیت ها می باشد. در سیستم عصبی محیطی (PNS)، سلول های گلیال ماهواره ای، گلیای روده ای و سلول های شوان نمونه هایی از سلول های گلیا هستند.

سلول های گلیا در مغز انسان به وفور یافت می شوند. نیکولا آلن، عصب شناس در موسسه مطالعات بیولوژیکی سالک در لا جولا، کالیفرنیا، و استاد نوروبیولوژی دیوید لیونز در دانشگاه ادینبورگ در اسکاتلند تخمین می زنند که گلیا حدود 50 درصد از سیستم عصبی مرکزی را تشکیل می دهد و در تشکیل و نقش دارد. عملکرد سیستم عصبی مرکزی بر اساس مقاله ای که در سال 2007 در سال 2007 منتشر شد، تخمین قبلی نشان می دهد که سلول های گلیال 90 درصد سلول های مغز را تشکیل می دهند. مجله بین المللی بیوشیمی و زیست شناسی سلولی توسط دانشگاه کالیفرنیا، لس آنجلس، محققین Fei He و Yi E. Sun.

همه تومورهای مغزی کشنده نیستند. بر اساس گزارش انجمن جراحان مغز و اعصاب آمریکا (AANS) بیش از 150 نوع متمایز از تومورهای مغزی شناسایی شده است. به گفته انجمن تومور مغزی آمریکا، حدود 27.9 درصد، تقریباً یک سوم کل تومورهای مغز و سیستم عصبی مرکزی در ایالات متحده، تومورهای سرطانی هستند که به عنوان تومورهای بدخیم نیز شناخته می شوند.

آنچه این مطالعه کنونی را متمایز می کند، ادغام مرحله یادگیری انتقال هوش مصنوعی از تشخیص حیوانات استتار شده تا یافتن تومورهای مغزی در تصاویر MRI، با تاکید بر توضیح پذیری و شفافیت است.

دانشمندان نوشتند: «اگرچه تشخیص حیوانات استتار و وظایف طبقه‌بندی تومور مغزی شامل تصاویر متفاوتی می‌شود، ممکن است بین یک حیوان پنهان شده از طریق استتار طبیعی و دسته‌ای از سلول‌های سرطانی که با بافت سالم اطراف ترکیب می‌شوند، شباهتی وجود داشته باشد.

محققان این فرضیه را مطرح کردند که یک شبکه هوش مصنوعی که برای شناسایی حیوانات در استتار آموزش دیده بود، می‌تواند به طور موثری برای شناسایی تومورهای مغزی از داده‌های تصویری که به‌طور غیرتهاجمی از تصویربرداری رزونانس مغناطیسی (MRI) اسکن‌های مغزی به‌دست می‌آید، تغییر کاربری دهد. در رادیولوژی، دو نوع اصلی تصاویر MRI، T1-weighted و T2-weighted هستند. تصاویر با وزن T1 چربی را برجسته می کنند و برای آناتومی بافت نرم نرمال ایده آل هستند، در حالی که تصاویر با وزن T2 برای لکه بینی مایعات و ناهنجاری هایی مانند تومورها، تروما، و التهاب طبق دستورالعمل مرک 2023 ایده آل هستند.

دانشمندان یک شبکه عصبی کانولوشنال هوش مصنوعی (CNN) را تغییر دادند که برای شناسایی حیوانات استتار شده در دو مدل هوش مصنوعی، یکی برای طبقه‌بندی MRI با وزن T1، به نام T1Net، و دیگری به نام T2Net، برای طبقه‌بندی MRI‌های با وزن T2، تغییر کاربری داد.

این تیم تکنیک‌های هوش مصنوعی قابل توضیح یک روش تجسم ویژگی به نام DeepDreamImage، نگاشت برجستگی تصویر و فضاهای ویژگی را به کار بردند.

داده‌های اسکن مغز برای گلیوم‌ها بیشتر از آرشیو تصویربرداری سرطان (TCIA) موسسه ملی سرطان NIH و پایگاه‌های داده عمومی Kaggle بود. دسته های تومور شامل اولیگودندروگلیوما، اولیگوآستروسیتوما و آستروسیتوما بودند. داده‌های MRI معمولی سوابق شناسایی شده بیماران از سیستم مراقبت بهداشتی بوستون VA نیز برای آموزش شبکه‌های عصبی مصنوعی به‌عنوان کنترل مورد استفاده قرار گرفت.

دانشمندان گزارش دادند: «T1Net و T2Net هر دو دقت تقریباً کاملی در تصاویر مغزی معمولی داشتند، با تنها 1 تا 2 نگاتیو کاذب بین هر دو شبکه، که نشان دهنده توانایی قوی در تمایز بین مغزهای سرطانی و عادی است.

انتقال یادگیری از تشخیص استتار حیوانات، توانایی هوش مصنوعی را برای طبقه بندی تومورهای مغزی، به ویژه آستروسیتوما، افزایش داد. مدل هوش مصنوعی تقویت‌شده یادگیری انتقالی، دقت 92.2 درصدی را برای مدل MRI با وزن T2 به دست آورد که بدون یادگیری انتقالی از مدل بهتر عمل کرد.

محققان به اشتراک گذاشتند: «نتایج ما نشان می‌دهد که این رویکرد برای آموزش شبکه‌های عصبی عمیق، به ویژه در هنگام استفاده از داده‌های MRI با وزن T2 امیدوارکننده است، زیرا این مدل بیشترین پیشرفت را در دقت آزمایش نشان داد.»

محققان همچنین نتایجی را گزارش می‌کنند که نشان می‌دهد روش‌های کیفی XAI مورد استفاده، تجسم آنچه را که در طول تمرین هوش مصنوعی با استفاده از داده‌های MRI سرطان مغز رخ می‌دهد و همچنین ویژگی‌های مرتبط با انواع مختلف تومور را امکان‌پذیر می‌سازد. از طریق روش‌های هوش مصنوعی قابل توضیح، نشان داده شد که فرآیند تصمیم‌گیری طبقه‌بندی گلیوما یک روش مبتنی بر ویژگی‌های خاص تومور توسط مدل‌های هوش مصنوعی در نظر گرفته می‌شود.

رنسانس یادگیری عمیق هوش مصنوعی پیشرفت های علمی قابل توجهی را امکان پذیر می کند. استفاده از هوش مصنوعی برای تمایز بین تومورهای مغزی سرطانی و غیرسرطانی به صورت غیر تهاجمی پتانسیل به‌عنوان یک ابزار کمکی برای پزشکان، انکولوژیست‌ها و رادیولوژیست‌ها در آینده دارد.

حق چاپ © 2024 Cami Rosso کلیه حقوق محفوظ است.