هوش مصنوعی عود تومور مغزی کودکان را با دقت شگفت‌آوری پیش‌بینی می‌کند

به گزارش گروه دانشگاه خبرگزاری دانشجو، محققان یک سیستم هوش مصنوعی ساخته‌اند که با استفاده از اسکن‌های متوالی MRI، عود تومور مغزی را در کودکان پیش بینی می‌کند. با استفاده از یک روش جدید "یادگیری زمانی" که چندین تصویر پس از درمان را پردازش می‌کند، هوش مصنوعی به طور قابل توجهی بهتر از مدل‌های سنتی تک اسکن عمل می‌کند.

این رویکرد نوید کاهش تصویربرداری غیرضروری و اضطراب را برای خانواده‌ها می‌دهد، در حالی که امکان مداخله زودتر و هدفمندتر را در زمانی که خطر عود زیاد است، فراهم می‌کند. پیش‌بینی می‌شود کارآزمایی‌های بالینی اثربخشی آن را در محیط‌های واقعی تأیید کنند.

وعده هوش مصنوعی در تشخیص تومور مغزی کودکان

هوش مصنوعی (AI) به طور فزاینده‌ای برای تجزیه و تحلیل مجموعه‌های بزرگی از تصاویر پزشکی ارزشمند است و اغلب الگو‌هایی را کشف می‌کند که ممکن است توسط متخصصان انسانی مورد توجه قرار نگیرد. در مراقبت از سرطان مغز کودکان، هوش مصنوعی این پتانسیل را دارد که نحوه نظارت پزشکان بر کودکان مبتلا به گلیوما، نوعی تومور مغزی که عموماً قابل درمان است، اما گاهی اوقات پس از درمان بازمی‌گردد، بهبود بخشد.

محققان از Mass General Brigham با همکاری بیمارستان کودکان بوستون و مرکز سرطان و اختلالات خونی کودکان دانا-فاربر/بوستون، یک سیستم یادگیری عمیق ایجاد کرده‌اند که یک سری از اسکن‌های مغز گرفته شده پس از درمان را تجزیه و تحلیل می‌کند. هوش مصنوعی برای شناسایی علائم اولیه مبنی بر بازگشت تومور آموزش دیده است. یافته‌های آنها اخیراً در مجله پزشکی هوش مصنوعی نیوانگلند منتشر شده است.

چالش پیش بینی عود

بنجامین کان، نویسنده مسئول برنامه هوش مصنوعی در پزشکی (AIM) در ماس جنرال بریگهام و دپارتمان انکولوژی تشعشع در بیمارستان زنان و بریگهام، گفت: بسیاری از گلیوما‌های کودکان تنها با جراحی قابل درمان هستند، اما زمانی که عود بیماری رخ می‌دهد، می‌تواند ویرانگر باشد. "پیش بینی اینکه چه کسانی ممکن است در معرض خطر عود باشند بسیار دشوار است، بنابراین بیماران برای سال‌ها تحت پی گیری مکرر با تصویربرداری رزونانس مغناطیسی (MR) قرار می‌گیرند، فرآیندی که می‌تواند برای کودکان و خانواده‌ها استرس زا و سنگین باشد.

تلاشی سراسری برای آموزش هوش مصنوعی هوشمندتر

از آنجایی که سرطان‌های کودکان نسبتا نادر هستند، مطالعاتی مانند این اغلب به دلیل داده‌های محدود با چالش‌هایی رو‌به‌رو هستند. برای غلبه بر این مشکل، محققان با موسساتی در سراسر ایالات متحده برای گردآوری مجموعه داده‌ای از نزدیک به ۴۰۰۰ اسکن MRI از ۷۱۵ کودک همکاری کردند. آنها برای استفاده حداکثری از این داده‌ها از روشی به نام یادگیری زمانی استفاده کردند. این رویکرد هوش مصنوعی را آموزش می‌دهد تا با بررسی نحوه تغییر اسکن‌های مغزی کودک در طول زمان پس از جراحی، الگو‌ها را تشخیص دهد و توانایی آن را برای پیش‌بینی احتمال بازگشت تومور بهبود بخشد.

معرفی یادگیری زمانی به تصویربرداری پزشکی

به طور معمول، مدل‌های هوش مصنوعی برای تصویربرداری پزشکی برای نتیجه‌گیری از اسکن‌های منفرد آموزش داده می‌شوند. با یادگیری زمانی، که قبلاً برای تحقیقات هوش مصنوعی تصویربرداری پزشکی استفاده نشده بود، تصاویری که در طول زمان به دست می‌آیند، پیش‌بینی الگوریتم از عود سرطان را نشان می‌دهند. برای توسعه مدل یادگیری زمانی، محققان ابتدا این مدل را آموزش دادند تا اسکن‌های MR پس از جراحی بیمار را به ترتیب زمانی ترتیب دهد تا مدل بتواند تغییرات ظریف را تشخیص دهد. از آنجا، محققان مدل را به‌خوبی تنظیم کردند تا در صورت لزوم، تغییرات را به‌درستی با عود سرطان بعدی مرتبط کنند.

یادگیری موقت دقت را افزایش می‌دهد

در نهایت، محققان دریافتند که مدل یادگیری زمانی عود گلیوما با درجه پایین یا با درجه بالا را طی یک سال پس از درمان، با دقت ۷۵ تا ۸۹ درصد پیش‌بینی می‌کند - بطور قابل ملاحظه‌ای بهتر از دقت مرتبط با پیش‌بینی‌های مبتنی بر تصاویر منفرد، که تقریباً ۵۰ درصد (نه بهتر از شانس) است. ارائه تصاویری از نقاط زمانی بیشتر پس از درمان به هوش مصنوعی، دقت پیش‌بینی مدل را افزایش داد، اما تنها چهار تا شش تصویر مورد نیاز بود تا این پیشرفت بهبود یابد.

به سوی اجرای بالینی و آزمایشات آینده

محققان هشدار می‌دهند که اعتبار سنجی بیشتر در تنظیمات اضافی قبل از کاربرد بالینی ضروری است. در نهایت، آنها امیدوارند که آزمایش‌های بالینی را راه‌اندازی کنند تا ببینند آیا پیش‌بینی‌های خطر مبتنی بر هوش مصنوعی می‌تواند منجر به بهبود مراقبت‌ها شود - چه با کاهش فرکانس تصویربرداری برای بیماران کم‌خطر یا با درمان پیشگیرانه بیماران پرخطر با درمان‌های کمکی هدفمند.

فراتر از تومور‌های مغزی: پتانسیل گسترده هوش مصنوعی

نویسنده اول، دیویانشو تاک، MS، از برنامه AIM در Mass General Brigham و بخش Radiation Oncology در Brigham گفت: ما نشان داده‌ایم که هوش مصنوعی قادر است به طور مؤثری از روی تصاویر متعدد و نه فقط از روی اسکن‌های منفرد آنالیز و پیش‌بینی کند. این تکنیک ممکن است در بسیاری از محیط‌ها که بیماران تصویربرداری سریال و طولی می‌گیرند، به کار گرفته شود و ما هیجان‌زده هستیم که ببینیم این پروژه چه چیزی الهام‌بخش خواهد بود.