مدل‌های هوش مصنوعی نویدبخش هستند، اما نمی‌توانند جایگزین بیوپسی برای مرحله‌بندی سرطان پستان شوند

به گزارش علم‌خوان، این تحقیق بوسیله پژوهشگران دانشگاه علوم پزشکی تهران با همکاری پژوهشگران بین‌المللی که یک بررسی سیستماتیک و متاآنالیز از ۴۱ مطالعه بین‌المللی است، ارزیابی کرد که چگونه دو نوع رویکرد هوش مصنوعی - یادگیری عمیق (DL) و رادیومیک‌های دست‌ساز (HCR) می‌توانند با استفاده از سونوگرافی و اسکن‌های ام‌آر‌آی قبل از عمل، متاستاز یا گسترش سرطان پستان به غدد لنفاوی زیر بغل را پیش‌بینی کنند.

 

در حالی که مدل‌های هوش مصنوعی به طور کلی به دقت تشخیصی متوسط ​​تا بالایی دست یافتند، این پژوهشگران نتیجه گرفتند که عملکرد فعلی آنها آستانه‌های آماری دقیق مورد نیاز برای تعیین ایمن بودن درمان جراحی را به تنهایی برآورده نمی‌کند. در عوض، آنها استدلال می‌کنند که این ابزارها باید در نقش‌های کمکی و حمایتی برای هدایت طبقه‌بندی خطر و برنامه‌ریزی بالینی مورد استفاده قرار گیرند.

 

تلاش برای مرحله‌بندی غیرتهاجمی

تعیین اینکه آیا سرطان پستان به غدد لنفاوی زیر بغل در زیر بغل گسترش یافته است یا خیر، جزء حیاتی از پیش‌آگهی و نقشه راه درمان بیمار است. در حال حاضر، استاندارد طلایی برای انجام این تعیین، «بیوپسی غدد لنفاوی نگهبان» (SLNB) است. اگرچه SLNB بسیار دقیق است، اما یک روش جراحی تهاجمی است که خطرات عوارضی از جمله عفونت، از دست دادن حس و لنف ادم مزمن (تورم دردناک) را به همراه دارد.

 

گزینه‌های تصویربرداری استاندارد مانند سونوگرافی و ام‌آر‌آی جایگزین‌های غیرتهاجمی هستند، اما به شدت به تفسیر ذهنی انسان متکی هستند و بسته به تجربه رادیولوژیست، دقت آنها بسیار متفاوت است.

 

برای پر کردن این شکاف، دانشمندان سال‌ها صرف آموزش مدل‌های هوش مصنوعی برای استخراج ویژگی‌های داده‌های پنهان و کمی از تصاویر پزشکی کرده‌اند که با چشم غیرمسلح انسان قابل مشاهده نیستند.

 

یافته‌های کلیدی: نیاز به اقدام «گروهی»

این متاآنالیز با جمع‌آوری داده‌ها از ده‌ها مطالعه بالینی چندین نکته مهم در مورد عملکرد هوش مصنوعی را برجسته کرد:

 

-دقت مستقل متوسط: برای مجموعه داده‌های اعتبارسنجی داخلی، مدل‌های هوش مصنوعی به حساسیت ترکیبی ۷۹٪ (توانایی شناسایی صحیح متاستازهای واقعی) و اختصاصیت ۷۸٪ (توانایی شناسایی صحیح غدد لنفاوی عاری از سرطان) دست یافتند.

 

- مزیت «گروهی»: این مطالعه نشان داد که یک رویکرد ترکیبی نسبت به تکیه بر یک روش برتر است. «مدل‌های گروهی» که یادگیری عمیق (که به طور خودکار سلسله مراتب الگوهای ساختاری را کشف می‌کند) و رادیومیک‌های دست‌ساز (که ویژگی‌های از پیش تعیین‌شده مانند شکل و بافت را اندازه‌گیری می‌کند) را با هم ترکیب می‌کنند، به طور قابل توجهی از مدل‌های منفرد بهتر عمل کردند. مدل‌های ترکیبی به عملکرد سطح زیر منحنی (AUC) بالا تا ۰.۹۲ در تصاویر سونوگرافی دست یافتند.

 

-نگاهی فراتر از تومور: مدل‌هایی که هم خود تومور و هم ناحیه پری‌تومورال (بافت اطراف مرز تومور) را تجزیه و تحلیل کردند، به طور معناداری دقیق‌تر از مدل‌هایی بودند که فقط به تومور نگاه می‌کردند AUC) برابر با 0.81 در مقابل 0.75(. مرز تومور-میزبان از نظر بیولوژیکی حیاتی است، زیرا به عنوان دروازه اصلی مهاجرت سلولی به سیستم لنفاوی عمل می‌کند.

 

 

چرا هوش مصنوعی هنوز نمی‌تواند جایگزین بیوپسی شود؟

با وجود معیارهای دلگرم‌کننده، بررسی آماری عمیق‌تر با استفاده از نسبت‌های احتمال نشان داد که مدل‌های هوش مصنوعی آماده نیستند که به تنهایی عمل کنند.

 

در یک جمعیت بیمار مبتلا به سرطان پستان در مراحل اولیه که احتمال پایه گسترش غدد لنفاوی حدود 20٪ است، نتیجه آزمایش مثبت هوش مصنوعی تنها احتمال پس از آزمایش بیماری را به 43٪ افزایش داد. برعکس، یک نتیجه آزمایش منفی هنوز 8٪ احتمال از دست رفتن متاستاز را باقی می‌گذاشت.

 

این پژوهشگران می‌گویند یافته‌هایشان نشان می‌دهد که مدل‌های هوش مصنوعی در حال حاضر نمی‌توانند جایگزین SLNB به عنوان استاندارد تشخیصی شوند. اطمینان ۴۳ درصدی پاکسازی بیمار برای جراحی تهاجمی بدون اثبات بافتی بسیار کم است و میزان ۸ درصدی نیافتن گسترش سرطان برای صرف نظر کردن کامل از بیوپسی بسیار ناامن است.

 

 

مراحل بعدی برای پذیرش بالینی

این پژوهشگران همچنین به برخی از چالش‌های مداوم پیش روی توسعه هوش مصنوعی پزشکی در این زمینه اشاره کرده‌اند. بیش از ۷۷ درصد از داده‌های بررسی شده از یک کشور واحد (چین) سرچشمه گرفته‌اند و سوالاتی را در مورد چگونگی تعمیم این مدل‌ها به جمعیت‌های مختلف بیمار در سراسر جهان مطرح می‌کنند. علاوه بر این، بسیاری از مطالعات از فقدان پروتکل‌های تصویربرداری استاندارد و فقدان کد منبع باز برای اطمینان از تکرارپذیری رنج می‌برند.

 

این پژوهشگران تاکید می‌کنند قبل از اینکه این ابزارها بتوانند در گردش‌های کاری استاندارد بیمارستان‌ها گنجانده شوند، جامعه علمی باید به سمت گزارش‌دهی مدل استاندارد حرکت کند، از تقسیم‌بندی تومور کاملاً خودکار برای از بین بردن سوگیری انسانی استفاده کند و الگوریتم‌ها را در چندین موسسه بالینی بین‌المللی به طور دقیق اعتبارسنجی کند.

 

منبع:

https://link.springer.com/article/10.1007/s00330-026-12682-6