به گزارش علم خوان، یک مطالعه جدید که یافته‌های آن در ژورنال  European Radiology منتشر شده است، نشان می‌دهد که هوش مصنوعی می‌تواند نشانگرهای ژنتیکی حیاتی در تومورهای مغزی را فقط با استفاده از اسکن‌های ام‌آر‌آی به طور دقیق پیش‌بینی کند و به طور بالقوه نحوه تشخیص و درمان گلیوم بوسیله پزشکان را متحول کند.

این تحقیق با همکاری پژوهشگران گروه فیزیک و مهندسی پزشکی دانشگاه علوم پزشکی تهران و آزمایشگاه جراحی اعصاب محاسباتی دانشکده پزشکی دانشگاه مک‌کواری استرالیا انجام شده است.

پیشرفت در تشخیص غیرتهاجمی

این بررسی سیستماتیک و فراتحلیل عملکرد تشخیصی مدل‌های رادیومیک مبتنی بر یادگیری عمیق (DL) را برای پیش‌بینی غیرتهاجمی جهش «ایزوسیترات دهیدروژناز» (IDH) و وضعیت حذف همزمان 1p/19q در بیماران دارای تومور گلیوم را با استفاده از توالی‌های ام‌آر‌آی ارزیابی کرد. این نشانگرهای مولکولی برای تعیین پیش‌آگهی بیمار و استراتژی‌های درمانی بسیار مهم هستند.

گلیوم‌ها شایع‌ترین نوع تومور اولیه مغز هستند و دانستن ویژگی‌های ژنتیکی آنها برای برنامه‌ریزی مناسب درمان ضروری است. در حال حاضر، تعیین این نشانگرهای ژنتیکی نیاز به نمونه‌برداری تهاجمی از بافت از طریق جراحی یا روش‌های بیوپسی دارد.

تیم تحقیقاتی با پیروی از دستورالعمل‌های تحقیقات پزشکی تعیین‌شده، تجزیه و تحلیل جامعی انجام داد و به طور سیستماتیک پایگاه‌های داده اصلی (PubMed، Scopus، Embase، Web of Science و Google Scholar) را تا مارس 2025 جستجو کرد و مطالعاتی را که از DL برای پیش‌بینی وضعیت حذف همزمان IDH و 1p/19q از داده‌های MRI استفاده می‌کردند، غربالگری کرد.

جهش‌های IDH و حذف‌های همزمان 1p/19q تغییرات ژنتیکی حیاتی هستند که به طبقه‌بندی گلیوم‌ها و پیش‌بینی نحوه پاسخ بیماران به درمان کمک می‌کنند. تومورهای دارای جهش‌های IDH عموماً نتایج بهتری دارند، در حالی که تومورهای دارای حذف‌های همزمان 1p/19q اغلب به درمان‌های خاص شیمی‌درمانی و پرتودرمانی به خوبی پاسخ می‌دهند.

پیامدهای بالینی

این یافته‌ها نشان می‌دهد که الگوریتم‌های یادگیری عمیق می‌توانند به عنوان ابزارهای تشخیصی قدرتمندی عمل کنند و به طور بالقوه نیاز به روش‌های تهاجمی را در برخی موارد کاهش دهند. این امر می‌تواند به ویژه برای تومورهایی که در مکان‌های دشوار دسترسی به مغز قرار دارند یا برای بیمارانی که ممکن است کاندیداهای خوبی برای جراحی نباشند، ارزشمند باشد. این فناوری، الگوهای موجود در تصاویر استاندارد ام‌آر‌آی  را که برای چشم انسان نامرئی هستند، تجزیه و تحلیل می‌کند و ویژگی‌های ظریفی را که با ویژگی‌های ژنتیکی خاص مرتبط هستند، شناسایی می‌کند. این رویکرد که به عنوان رادیومیکس ((radiomics شناخته می‌شود، تصویربرداری پزشکی را با تجزیه و تحلیل محاسباتی پیشرفته ترکیب می‌کند.

زمینه رو به رشد هوش مصنوعی در تشخیص پزشکی

این تحقیق به مجموعه رو به رشدی از شواهد پشتیبانی‌کننده از استفاده از هوش مصنوعی در تشخیص پزشکی می‌افزاید. جهش ژن ایزوسیترات دهیدروژناز (IDH) یک نشانگر زیستی ضروری برای تشخیص و پیش‌آگهی  تومور مغزی گلیوم است و روش‌های پیش‌بینی دقیق را برای رویکردهای درمانی شخصی‌سازی‌شده به طور فزاینده‌ای مهم می‌کند.

مسیرهای آینده

در حالی که این نتایج امیدوارکننده هستند، پژوهشگران خاطرنشان می‌کنند که قبل از اجرای گسترده این ابزارها در عمل بالینی، مطالعات اعتبارسنجی بیشتری مورد نیاز است. این فناوری باید در جمعیت‌های مختلف بیمار و مراکز پزشکی مختلف آزمایش شود تا از قابلیت اطمینان و دقت آن اطمینان حاصل شود. این تحقیق گامی مهم به سوی تشخیص دقیق‌تر و کمتر تهاجمی تومور مغزی است که به طور بالقوه نتایج بیمار را بهبود می‌بخشد و در عین حال خطرات و هزینه‌های مرتبط با روش‌های تشخیصی تهاجمی را کاهش می‌دهد.

منبع خبر: https://link.springer.com/article/10.1007/s00330-025-11898-2

کلیدواژه: هوش مصنوعی، مغز، سرطان، تومور مغزی، گلیوم، یادگیری عمیق، رادیومیکس