مدل هوش مصنوعی از سی‌تی‌/پت‌ اسکن برای پیش‌بینی پاسخ لنفوم هوچکینی به درمان استفاده می‌کند

به گزارش علم‌خوان، این رویکرد بوسیله پژوهشگران دانشگاه‌های علوم پزشکی تهران و مشهد تجزیه و تحلیل تصویربرداری پزشکی پیشرفته را با یادگیری عمیق ترکیب می‌کند و در نهایت می‌تواند از تصمیمات شخصی‌سازی‌شده‌تر در مورد درمان سرطان پشتیبانی کند.

 

چرا این موضوع مهم است

لنفوم هوچکینی یکی از قابل درمان‌ترین انواع سرطان، به ویژه در بزرگسالان جوان‌تر است. با این حال، برخی از بیماران به طور کامل به درمان استاندارد پاسخ نمی‌دهند یا عود بیماری را تجربه می‌کنند. توانایی شناسایی زودهنگام بیماری مقاوم می‌تواند به پزشکان کمک کند تا استراتژی‌های درمانی را زودتر تنظیم کنند و به طور بالقوه نتایج را بهبود بخشند.

 

سی‌تی‌/پت اسکن‌های فعلی در حال حاضر نقش مهمی در تشخیص و نظارت بر لنفوم هوچکینی دارند. با این حال، شیوه معمول تفسیر تصاویر ممکن است تمام تفاوت‌های ظریف بیولوژیکی بین تومورها را ثبت نکند. مطالعه جدید بررسی می‌کند که آیا هوش مصنوعی می‌تواند الگوهای پنهان را از این اسکن‌ها استخراج کند تا پاسخ به درمان را بهتر پیش‌بینی کند.

 

آنچه پژوهشگران انجام دادند

این مطالعه سی‌تی‌/پت اسکن‌های ۷۰ بیمار مبتلا به لنفوم هوچکین که در دو مرکز پزشکی در ایران تحت درمان بودند را تجزیه و تحلیل کرد. پژوهشگران ۴۲۰ ضایعه منفرد را بررسی کردند و ارزیابی کردند که آیا هر ضایعه طبق معیارهای تعیین‌شده پاسخ لوگانو به درمان پاسخ داده است یا خیر.

 

این تیم تحقیقاتی با استفاده از تکنیکی به نام «تانسور رادیومیکس» حجم عظیمی از اطلاعات را از اسکن‌ها استخراج کرد. رادیومیکس تصاویر پزشکی را به هزاران ویژگی قابل اندازه‌گیری تبدیل می‌کند که ویژگی‌هایی مانند شکل، بافت، شدت و ناهمگونی بافت را توصیف می‌کنند. در این مطالعه، بیش از ۱۳۰۰۰ ویژگی تصویربرداری برای هر ضایعه با استفاده از چندین تنظیمات پردازش تصویر ایجاد شد.

 

سپس پژوهشگران یک مدل یادگیری عمیق به نام TR-NET (شبکه تانسور رادیومیکس) ایجاد کردند.این مدل برخلاف روش‌های معمول یادگیری ماشین برای شناسایی خودکار مفیدترین الگوهای تصویربرداری از داده‌های سی‌تی و پت اسکن طراحی شده بود.

 

آنچه آنها یافتند

شبکه تانسور رادیومیکس در میان مدل‌های آزمایش‌شده بهترین عملکرد کلی را به دست آورد.

این سیستم به موارد زیر دست یافت:

 

* مساحت زیر منحنی ROC (AUC) 0.847

* حساسیت 82.2٪ (توانایی شناسایی ضایعات پاسخ‌دهنده)

* اختصاصیت 78.2٪ (توانایی شناسایی ضایعات غیرپاسخ‌دهنده)

 

پژوهشگران شبکه تانسور رادیومیکس را با چندین رویکرد یادگیری ماشینی رایج، از جمله جنگل تصادفی، XGBoost و ماشین‌های بردار پشتیبان مقایسه کردند. در حالی که برخی از این روش‌ها پاسخ‌دهندگان را به خوبی شناسایی کردند، احتمال بیشتری داشت که ضایعات مقاوم را به اشتباه طبقه‌بندی کنند. شبکه تانسور رادیومیکس عملکرد پیش‌بینی متعادل‌تری ارائه داد.

 

شفاف‌تر کردن هوش مصنوعی

یکی از چالش‌های هوش مصنوعی در پزشکی، درک چگونگی انجام پیش‌بینی‌ها است. برای پرداختن به این موضوع، محققان از یک تکنیک هوش مصنوعی قابل توضیح به نام SHAP یا « SHapley Additive exPlanations استفاده کردند.

 

این روش به شناسایی اینکه کدام ویژگی‌های تصویربرداری بیشترین سهم را در تصمیمات مدل دارند، کمک کرد. تجزیه و تحلیل نشان داد که برخی از ویژگی‌های تصویر مبتنی بر بافت و موجک برای پیش‌بینی پاسخ به درمان به ویژه مهم هستند.

 

مزایای بالقوه برای بیماران

اگر این فناوری در مطالعات بزرگتر اعتبارسنجی شود، می‌تواند به پزشکان در موارد زیر کمک کند:

 

* شناسایی زودهنگام ضایعات مقاوم به درمان

* تطبیق درمان با هر بیمار

* کاهش درمان‌های غیرضروری در بیمارانی که احتمالاً به خوبی پاسخ می‌دهند

* بهبود استراتژی‌های درمانی سازگار با ریسک

* درک بهتر تفاوت‌های بین ضایعات متعدد در یک بیمار

 

رویکرد سطح ضایعه به ویژه مهم است زیرا تومورهای مختلف در یک بیمار ممکن است به طور یکسان به درمان پاسخ ندهند.

 

محدودیت‌های مهم

این مطالعه نسبتاً کوچک بود و تنها شامل 70 بیمار از دو مرکز بود. مدل هوش مصنوعی به صورت داخلی آزمایش شد، به این معنی که هنوز در جمعیت‌های مستقل بیمار اعتبارسنجی نشده است. قبل از اینکه این سیستم بتواند به صورت بالینی مورد استفاده قرار گیرد، مطالعات چند مرکزی بزرگتری برای تأیید قابلیت اطمینان و تعمیم‌پذیری آن مورد نیاز است.

 

خلاصه

این پژوهشگران یک چارچوب یادگیری عمیق ایجاد کرده‌اند که از رادیومیک‌های تانسور مشتق شده از سی‌تی/پت اسکن برای پیش‌بینی چگونگی پاسخ ضایعات لنفوم هوچکینی به درمان استفاده می‌کند.
این مدل از چندین روش یادگیری ماشینی مرسوم بهتر عمل کرده و گامی امیدوارکننده به سوی مراقبت‌های شخصی‌تر از سرطان ارائه می‌دهد. با این حال، قبل از اینکه این فناوری بتواند بخشی از روال معمول بالینی شود، مطالعات اعتبارسنجی بزرگتری هنوز مورد نیاز است.

 

منبع:

https://pmc.ncbi.nlm.nih.gov/articles/PMC13269603

 

https://pmc.ncbi.nlm.nih.gov/articles/PMC13269603/