مدل‌های هوش مصنوعی در پیش‌بینی پاسخ به درمان سرطان مثانه نویدبخش هستند

به گزارش علم‌خوان، این بررسی که توسط دکتر علیرضا امین شریفی از دانشگاه علوم پزشکی تهران و گروهی از پژوهشگران بین‌المللی انجام شده است، یافته‌های ۱۲ مطالعه را ترکیب کرد تا مشخص شود که آیا هوش مصنوعی می‌تواند برنامه‌ریزی درمانی شخصی‌سازی شده برای «سرطان مثانه تهاجمی به عضله» را بهبود بخشد یا خیر.

 

یافته‌های کلیدی

• عملکرد پیش‌بینی قوی: در سراسر مطالعات تجزیه و تحلیل شده - شامل بیش از ۱۵۷۵ بیمار منحصر به فرد - مدل‌های یادگیری عمیق عملکرد پیش‌بینی قوی را نشان دادند.

 

• مدل‌های ترکیبی بهتر هستند: معماری‌های هوش مصنوعی که یادگیری عمیق معمول (مانند شبکه‌های عصبی کانولوشن) را با رادیومیک، متن بالینی یا داده‌های ژنتیکی ترکیب می‌کنند، به طور مداوم از مدل‌های پایه فقط تصویر بهتر عمل می‌کنند.

 

• تطابق یا برتری نسبت به نظر متخصصان: در چندین مقایسه رو در رو، مدل‌های یادگیری عمیق در شناسایی پاسخ‌دهندگان کامل در مقابل عدم پاسخ‌دهندگان، عملکردی مشابه یا کمی بهتر از رادیولوژیست‌های متخصص داشتند.

 

 

• پتانسیل بالینی: شناسایی دقیق افراد غیرپاسخگو قبل یا در مراحل اولیه درمان می‌تواند به بیماران کمک کند تا از سمیت دارویی غیرضروری جلوگیری کرده و زودتر به جراحی بروند، در حالی که شناسایی قابل اعتماد پاسخ‌دهندگان کامل می‌تواند از رویکردهای حفظ مثانه بهتر پشتیبانی کند.

 

 

نکته: محدودیت‌های روش‌شناختی

 

 

در حالی که یافته‌ها پتانسیل قوی هوش مصنوعی را در انکولوژی دقیق برجسته می‌کنند، نویسندگان تأکید می‌کنند که مدل‌های فعلی به دلیل چندین محدودیت مهم هنوز برای استقرار بالینی معمول آماده نیستند:

• عدم اعتبارسنجی خارجی: ۱۱ مورد از ۱۲ مطالعه بررسی شده منحصراً به مجموعه داده‌های داخلی برای آزمایش متکی بودند. تنها یک مطالعه الگوریتم خود را بر روی یک گروه بیمار خارجی کاملاً مستقل اعتبارسنجی کرد

 

 ۲. خطر سوگیری: ارزیابی با استفاده از ابزار PROBAST نشان داد که نیمی از مطالعات، به ویژه در تجزیه و تحلیل آماری و تعاریف پیامد، خطر سوگیری بالایی دارند.

 

 ۳. نشت داده‌ها و حجم نمونه کوچک: بسیاری از مطالعات کمتر از ۱۵۰ بیمار را ثبت‌نام کرده‌اند که خطر بیش‌برازش به داده‌های تصویر تک‌مرکزی را ایجاد می‌کند. علاوه بر این، چندین مطالعه نشت داده‌ها را در طول انتخاب ویژگی نشان داده‌اند.

 

مسیر پیش رو

برای تبدیل این مدل‌های هوش مصنوعی به ابزارهای پشتیبانی تصمیم‌گیری بالینی کاربردی، نویسندگان توصیه می‌کنند که تحقیقات آینده موارد زیر را در اولویت قرار دهند:

 

• کارآزمایی‌های چندمرکزی، آینده‌نگر و در مقیاس بزرگ با پروتکل‌های تصویربرداری و درمان استاندارد.

 

• رعایت دستورالعمل‌های گزارش‌دهی هوش مصنوعی مانند TRIPOD-AI و CLAIM برای بهبود شفافیت.

 

• به اشتراک‌گذاری آزاد کد مدل و وزن‌های آموزش‌دیده برای امکان‌پذیر کردن تکرارپذیری.

 

منبع

https://www.sciencedirect.com/science/article/abs/pii/S1078143926005673?via%3Dihub