پیش بینی بازگشت تومور مغزی در کودکان با هوش مصنوعی

به گزارش وایکو محققان با استفاده از یک رویکرد جدید «یادگیری زمانی»( temporal learning) در «هوش مصنوعی» که چندین تصویر پس از درمان را پردازش می کند عملکرد این سامانه را به طور 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 زودهنگام 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» برای بررسی مجموعه های تصاویر پزشکی بسیار ارزشمند است و اغلب الگوهایی را کشف می کند که ممکن است توسط متخصصان انسانی نادیده گرفته شوند. «هوش مصنوعی» این پتانسیل را دارد نحوه نظارت پزشکان بر کودکان با بیماری «گلیوما»(glioma) را بهبود بخشد.

«گلیوما» نوعی تومور مغزی است که عموماً قابل درمان است اما گاهی اوقات پس از درمان می تواند عود کند.

محققان بیمارستان ماساچوست با همکاری بیمارستان کودکان بوستون و مرکز سرطان و اختلالات خونی کودکان «دانا- فاربر»(Dana-Farber) یک سامانه یادگیری عمیق را توسعه داده اند که مجموعه ای از اسکن های مغزی گرفته شده پس از درمان را بررسی می کند.

این «هوش مصنوعی» برای شناسایی علائم 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: بسیاری از «گلیوماهای» کودکان تنها با جراحی قابل درمان هستند اما وقتی عود می کنند می توانند ویرانگر باشند.

وی افزود: پیش بینی اینکه چه کسی ممکن است در معرض خطر عود باشد بسیار دشوار است بنابراین بیماران سال ها تحت پیگیری های مکرر با تصویربرداری MRI قرار می گیرند. این فرآیند می تواند برای کودکان و خانواده ها تنش زا باشد. ما به ابزارهای بهتری برای شناسایی زودهنگام بیمارانی که در معرض بیشترین خطر عود هستند نیاز داریم.

تلاشی همگانی برای آموزش هوش مصنوعی

از آنجا که سرطان های کودکان نسبتاً نادر هستند مطالعاتی مانند این اغلب به دلیل داده های محدود با چالش هایی روبرو هستند. پژوهشگران 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 بیشتر از این داده ها از رویکردی موسوم به «یادگیری زمانی» استفاده کردند. این رویکرد «هوش مصنوعی» را آموزش می دهد تا با بررسی چگونگی تغییر اسکن های مغزی کودک در مدت زمان پس از جراحی الگوها را تشخیص دهد و توانایی آن را در پیش بینی عود بیماری بهبود بخشد.

یادگیری زمانی در تصویربرداری پزشکی

معمولاً مدل های «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 کند.

محققان برای توسعه رویکرد «یادگیری زمانی» ابتدا مدل را آموزش دادند تا اسکن های MRI پس از جراحی بیمار را به ترتیب زمانی مرتب کند تا بتواند تغییرات کوچک را تشخیص دهد. سپس محققان تنظیمات مدل را به روزرسانی کردند تا تغییرات را با عود سرطان به درستی مرتبط کند.

افزایش دقت با یادگیری زمانی

در نهایت محققان دریافتند که مدل «یادگیری زمانی» عود گلیومای درجه پایین یا بالا را تا یک سال پس از درمان با دقت ۷۵ تا ۸۹ درصد پیش بینی می کند.

ارائه تصاویر پس از درمان به «هوش مصنوعی» دقت پیش بینی این سامانه را افزایش داد.

به سوی پیاده سازی بالینی و آزمایش های آینده

محققان می گویند که اعتبارسنجی بیشتری در تنظیمات این سامانه قبل از کاربرد بالینی ضروری است.

آنها امیدوارند آزمایش های بالینی را آغاز 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 گفت: ما نشان داده ایم که «هوش مصنوعی» قادر به بررسی مؤثر و پیش بینی از تصاویر متعدد است. این تکنیک ممکن است در بسیاری 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 منتشر شده است.

پایان خبر وایکو