پیش بینی بازگشت تومور مغزی در کودکان با هوش مصنوعی
بریونی: دانشمندان یک سامانه «هوش مصنوعی» را توسعه داده اند که با بهره گیری از اسکن های MRI متوالی، امکان بازگشت تومور مغزی در خردسالان را پیش بینی می کند.
به گزارش بریونی به نقل از ایسنا، پژوهشگران با استفاده از یک رویکرد جدید «یادگیری زمانی»( temporal learning) در «هوش مصنوعی» که چندین تصویر بعد از درمان را پردازش می کند، عملکرد این سامانه را بطور قابل توجهی بهبود بخشیدند.
به نقل از اس تی دی، این رویکرد، نویدبخش کاهش تصویربرداری غیر ضروری و اضطراب خانواده هاست. این سامانه قابلیت مداخله سریع و هدفمندتر در مواقع خطر عود تومور را دارد.
دانشمندان پیش بینی می کنند که آزمایش های بالینی، اثربخشی این سامانه را تأیید کنند.
قابلیت هوش مصنوعی در تشخیص تومور مغزی کودکان
«هوش مصنوعی» جهت بررسی مجموعه های تصاویر پزشکی بسیار باارزش است و اغلب، الگوهایی را کشف می کند که ممکنست توسط متخصصان انسانی نادیده گرفته شوند. «هوش مصنوعی» این پتانسیل را دارد نحوه نظارت پزشکان بر خردسالان با بیماری «گلیوما»(glioma) را بهبود بخشد.
«گلیوما» نوعی تومور مغزی است که عموماً قابل درمان است، اما گاهی اوقات بعد از درمان می تواند عود کند.
پژوهشگران بیمارستان ماساچوست با همکاری بیمارستان خردسالان بوستون و مرکز سرطان و اختلالات خونی خردسالان «دانا- فاربر»(Dana-Farber)، یک سامانه یادگیری عمیق را توسعه داده اند که مجموعه ای از اسکن های مغزی گرفته شده بعد از درمان را بررسی می کند.
این «هوش مصنوعی» برای شناسایی علایم اولیه بازگشت تومور، آموزش دیده است.
چالش پیش بینی عود بیماری
دکتر «بنجامین کان»(Benjamin Kann)، نویسنده و سرپرست برنامه «هوش مصنوعی در پزشکی»(AIM)، می گوید: خیلی از «گلیوماهای» خردسالان تنها با جراحی قابل درمان هستند، اما وقتی عود می کنند، می توانند ویرانگر باشند.
وی ادامه داد: پیش بینی این که چه کسی ممکنست در معرض خطر عود باشد، بسیار دشوار است، بدین سبب بیماران سال ها تحت پیگیری های مکرر با تصویربرداری MRI قرار می گیرند. این پروسه می تواند برای خردسالان و خانواده ها تنش زا باشد. ما به ابزارهای بهتری برای شناسایی سریع بیمارانی که در معرض بیشترین خطر عود هستند، نیاز داریم.
تلاشی همگانی برای آموزش هوش مصنوعی
از آنجائیکه سرطان های خردسالان نسبتاً نادر هستند، مطالعاتی مانند این اغلب به علت داده های محدود با چالش هایی روبرو هستند. محققان برای غلبه بر این مشکل با مؤسساتی در سراسر ایالات متحده همکاری کردند و مجموعه ای از داده ها را که شامل ۴۰۰۰ اسکن MRI از ۷۱۵ کودک است، جمع آوری کنند.
آنها برای بهره برداری هرچه بیش از این داده ها از نگاهی موسوم به «یادگیری زمانی» استفاده کردند. این رویکرد، «هوش مصنوعی» را آموزش می دهد که با بررسی چگونگی تغییر اسکن های مغزی کودک در مدت زمان بعد از جراحی، الگوها را تشخیص دهد و توانایی آنرا در پیش بینی عود بیماری بهبود بخشد.
یادگیری زمانی در تصویربرداری پزشکی
به طور معمول مدلهای «هوش مصنوعی» برای تصویربرداری پزشکی و نتیجه گیری از اسکن های منفرد آموزش داده می شوند. این سامانه با رویکرد «یادگیری زمانی» در تصاویر به دست آمده می تواند الگوریتمی از عود سرطان را پیش بینی نماید.
پژوهشگران برای توسعه رویکرد «یادگیری زمانی»، ابتدا مدل را آموزش دادند تا اسکن های MRI بعد از جراحی بیمار را به ترتیب زمانی مرتب کند تا بتواند تغییرات کوچک را تشخیص دهد. سپس پژوهشگران تنظیمات مدل را بروزرسانی کردند تا تغییرات را با عود سرطان به درستی مرتبط کند.
افزایش دقت با یادگیری زمانی
در نهایت، پژوهشگران دریافتند که مدل «یادگیری زمانی»، عود گلیومای درجه پایین یا بالا را تا یک سال بعد از درمان، با دقت ۷۵ تا ۸۹ درصد پیش بینی می کند.
ارائه تصاویر بعد از درمان به «هوش مصنوعی»، دقت پیش بینی این سامانه را افزایش داد.
به سوی پیاده سازی بالینی و آزمایش های آینده
پژوهشگران می گویند که اعتبارسنجی بیشتری در تنظیمات این سامانه پیش از کاربرد بالینی لازم است.
آنها امیدوارند آزمایش های بالینی را شروع کنند تا ببینند آیا پیش بینی های «هوش مصنوعی» می تواند منجر به بهبود مراقبت ها شود یا خیر. این پیش بینی ها می تواند با کاهش دفعات تصویربرداری برای بیماران کم خطر یا با درمان پیشگیرانه بیماران پرخطر منجر به بهبود مراقبت ها شود.
پتانسیل گسترده هوش مصنوعی
«دیویانشو تاک»(Divyanshu Tak)، نویسنده ارشد این مطالعه در بیمارستان عمومی ماساچوست اظهار داشت: ما نشان داده ایم که «هوش مصنوعی» قادر به بررسی مؤثر و پیش بینی از تصاویر گوناگون است. این تکنیک ممکنست در خیلی از محیط هایی که بیماران تصویربرداری های مکرر و متوالی انجام می دهند، اعمال شود و ما هیجان زده ایم که ببینیم این پروژه الهام بخشی چه مسائلی خواهد بود.
این یافته ها در The New England Journal of Medicine AI انتشار یافته است.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب