هوش مصنوعی چگونه می‌تواند دقت تشخیص سرطان پستان در ماموگرافی را افزایش دهد؟

به گزارش علم‌خوان، سرطان پستان از مهم‌ترین سرطان‌های زنان است و تشخیص زودهنگام آن می‌تواند نقش مهمی در افزایش شانس درمان موفق داشته باشد. ماموگرافی یکی از ابزارهای اصلی غربالگری این سرطان است، اما تفسیر تصاویر آن همیشه آسان نیست. بعضی ضایعات بسیار کوچک‌اند یا شباهت زیادی به بافت طبیعی پستان دارند و ممکن است از چشم پزشک دور بمانند.

 

اکنون پژوهشگران ایرانی در دانشگاه علوم پزشکی تهران و دانشگاه صنعتی شریف در مطالعه‌ای چندمرکزی، یک سامانه هوش مصنوعی را برای کمک به تفسیر تصاویر ماموگرافی ارزیابی کرده‌اند. یافته‌های آنان نشان می‌دهد که استفاده از هوش مصنوعی در کنار نظر رادیولوژیست، به‌خصوص هنگامی که تصمیم‌گیری دشوار است، می‌تواند احتمال شناسایی ضایعات مشکوک را افزایش دهد.

 

این پژوهش با عنوان «بهینه‌سازی تصمیم‌گیری با کمک هوش مصنوعی در غربالگری ماموگرافی: با تمرکز بر موارد نامطمئن» در سال ۲۰۲۶ در ژورنالInsights into Imagingمنتشر شده است.

 

بررسی بیش از ۱۳۰ هزار تصویر ماموگرافی

پژوهشگران برای توسعه و ارزیابی سامانه خود، ۱۳۰ هزار و ۸۳۸ تصویر ماموگرافی مربوط به ۳۵ هزار و ۷۰۹ بیمار را از چندین مرکز درمانی گردآوری کردند. داده‌ها شامل تصاویر و اطلاعات پیگیری بیماران در فاصله زمانی مه ۲۰۰۹ تا دسامبر ۲۰۲۰ بود.

 

برای ارزیابی عملکرد سامانه در شرایطی متفاوت از داده‌های اولیه، از یک پایگاه داده خارجی تصاویر ماموگرافی نیز استفاده شد.

 

در بخش ارزیابی بالینی، چهار رادیولوژیست با دو تا پنج سال تجربه در تفسیر ماموگرافی، تصاویر ۶۰۰ مورد غربالگری را بررسی کردند. این مجموعه شامل ۱۲۰ مورد مثبت و ۴۸۰ مورد منفی بود. رادیولوژیست‌ها ابتدا تصاویر را بدون کمک هوش مصنوعی تفسیر کردند و سپس در مرحله بعد، نتایج سامانه را دیدند و در صورت لزوم نظر خود را تغییر دادند.

هوش مصنوعی برای شناسایی و مشخص کردن محل ضایعات، تشخیص رسوبات کوچک کلسیم و برآورد احتمال بدخیمی طراحی شده بود.

 

بهترین نتیجه زمانی به دست آمد که انسان و هوش مصنوعی با هم تصمیم گرفتند

پژوهشگران عملکرد تشخیصی را در چند وضعیت مقایسه کردند: تفسیر مستقل رادیولوژیست، کمک هوش مصنوعی به رادیولوژیست، استفاده از نظر هوش مصنوعی در موارد نامطمئن و ترکیب یافته‌های هر دو با در نظر گرفتن تصمیم مشکوک‌تر.

 

بهترین عملکرد کلی در روشی به دست آمد که در آن یافته‌های رادیولوژیست و هوش مصنوعی با یکدیگر ترکیب شدند.

 

برای درک بهتر نتایج، دو شاخص اهمیت ویژه‌ای دارند:

• حساسیت: توانایی شناسایی موارد واقعاً مبتلا به بیماری؛ حساسیت بالاتر یعنی احتمال کمتری وجود دارد که سرطان از چشم ارزیاب دور بماند.
• ویژگی: توانایی درست تشخیص دادن افرادی که بیماری ندارند؛ ویژگی بالاتر می‌تواند از مشکوک تلقی شدن بی‌مورد تصاویر جلوگیری کند.

در روش ترکیبی، حساسیت تشخیص از ۵۴٫۸ درصد در تفسیر مستقل رادیولوژیست‌ها به ۸۳٫۹ درصد رسید. ویژگی نیز از ۸۳٫۶ درصد به ۹۱٫۱ درصد افزایش یافت.

 

به بیان ساده، این روش در مجموعه بررسی‌شده توانست هم موارد مثبت بیشتری را شناسایی کند و هم توانایی تشخیص موارد منفی را بهبود دهد.

 

شاخص دیگری به نام «مساحت زیر منحنی» یا AUC نیز برای ارزیابی توانایی کلی تفکیک موارد مثبت از منفی به کار می‌رود. مقدار این شاخص از ۸۳٫۰۴ درصد در تفسیر مستقل رادیولوژیست‌ها به ۸۸٫۴۰ درصد در روش ترکیبی افزایش یافت.

 

چرا موارد نامطمئن اهمیت دارند؟

یکی از محورهای اصلی پژوهش، بررسی مواردی بود که رادیولوژیست درباره خوش‌خیم یا بدخیم بودن ضایعه اطمینان کافی نداشت.

 

در این وضعیت، هوش مصنوعی می‌تواند به‌عنوان ابزار کمکی برای بررسی دوباره تصاویر و شناسایی نشانه‌هایی که احتمالاً نادیده مانده‌اند، به کار رود.

 

در راهبردی که هوش مصنوعی عمدتاً در موارد نامطمئن وارد تصمیم‌گیری می‌شد، حساسیت از ۶۷٫۳ درصد به ۷۰٫۵ درصد افزایش یافت و ویژگی از ۸۷٫۳ درصد به ۹۱٫۱ درصد رسید. نرخ ارجاع برای بررسی بیشتر نیز در این راهبرد ۱۵٫۸۵ درصد گزارش شد؛ در حالی که این میزان در تفسیر مستقل رادیولوژیست‌ها ۱۸٫۸۹ درصد بود.

 

این نتایج نشان می‌دهد که نحوه استفاده از هوش مصنوعی اهمیت دارد. در برخی شرایط، هدف اصلی باید کاهش احتمال از دست رفتن سرطان باشد؛ در شرایط دیگر، کاهش ارجاع‌های غیرضروری و آزمایش‌های تکمیلی نیز اهمیت زیادی دارد.

 

البته این اعداد به سناریوهای ارزیابی‌شده در پژوهش مربوط‌اند و به‌تنهایی تضمین نمی‌کنند که همین نتایج در برنامه‌های واقعی غربالگری نیز به دست آید.

 

هوش مصنوعی کدام ضایعات را بهتر شناسایی کرد؟

سامانه مورد بررسی توانست به شناسایی چهار نوع تغییر در تصاویر ماموگرافی کمک کند: توده‌ها، رسوبات کلسیم، تغییر شکل ساختار بافت و عدم تقارن دو طرف پستان.

 

بیشترین افزایش در شناسایی ضایعات جدید مربوط به رسوبات کلسیم بود؛ تغییراتی که ممکن است بسیار کوچک باشند و تشخیص آنها به بررسی دقیق تصویر نیاز داشته باشد.

 

این قابلیت می‌تواند به‌ویژه برای رادیولوژیست‌هایی که تجربه کمتری در تفسیر ماموگرافی دارند، سودمند باشد. نویسندگان معتقدند چنین سامانه‌هایی ممکن است در مراکزی که دسترسی به متخصصان باتجربه محدود است نیز به بهبود تصمیم‌گیری کمک کنند.

 

آیا این سامانه آماده استفاده گسترده است؟

با وجود نتایج امیدوارکننده، پژوهش محدودیت‌هایی دارد. مطالعه به‌صورت گذشته‌نگر انجام شده و تنها چهار رادیولوژیست در ارزیابی بالینی آن مشارکت داشته‌اند. همچنین، تأثیر سامانه بر پیامدهای نهایی غربالگری در محیط واقعی به‌طور قطعی مشخص نشده است.

 

عملکرد هوش مصنوعی ممکن است با توجه به سن بیماران، تراکم بافت پستان، نوع دستگاه ماموگرافی و ویژگی‌های جمعیت مورد بررسی متفاوت باشد. برای ارزیابی این عوامل، به مطالعات آینده‌نگر و گسترده‌تر نیاز است.

 

نکته مهم دیگر آن است که افزایش حساسیت می‌تواند با افزایش بررسی‌های تکمیلی همراه شود. در روش ترکیبی این مطالعه، نرخ ارجاع برای بررسی بیشتر از ۱۸٫۸۹ درصد به ۲۵٫۸۴ درصد افزایش یافت، هرچند توانایی شناسایی موارد مثبت نیز بیشتر شد. بنابراین، انتخاب راهبرد مناسب باید با توجه به توازن میان تشخیص سرطان‌های بیشتر و جلوگیری از بررسی‌های غیرضروری انجام شود.

 

جمع‌بندی

این پژوهش نشان می‌دهد که هوش مصنوعی می‌تواند فراتر از یک ابزار مستقل تشخیص، به‌عنوان همکار رادیولوژیست در تفسیر ماموگرافی عمل کند. بهترین عملکرد در این مطالعه زمانی حاصل شد که ارزیابی انسان و سامانه هوش مصنوعی با یکدیگر ترکیب شدند.

 

با این حال، نتایج هنوز برای اثبات اثربخشی این روش در تمام برنامه‌های غربالگری کافی نیست. مطالعات آینده باید مشخص کنند که این سامانه‌ها در عمل تا چه اندازه تشخیص زودهنگام را بهبود می‌دهند، از موارد تشخیص‌داده‌نشده می‌کاهند و بدون تحمیل بررسی‌های اضافی، به مراقبت بهتر از بیماران کمک می‌کنند.

 

منبع:

 

چAhmadinejad N, Sadighi N, Ghavami Modegh R, et al.Optimizing AI-assisted decision-making in mammography screening: focusing on uncertainties.Insights into Imaging. 2026;17:252.

https://doi.org/10.1186/s13244-026-02411-4