تشخیص سریع و کم هزینه سرطان سینه با هوش مصنوعی - وبلاگ هاپرسین

به گزارش وبلاگ هاپرسین، دانشمندان هلندی در نتیجه تحقیقات خود پیروز شدند با استفاده از هوش مصنوعی، غربالگری سریع تر و به صرفه تری در تشخیص افراد ابتلا به سرطان سینه داشته باشند.

به گزارش خبرنگار حوزه فناوری گروه علمی پزشکی وبلاگ هاپرسین، به نقل از مدیکال اکسپرس، بر اساس مطالعه ای که در نشریه رادیولوژی منتشر شده است، یک سیستم اتوماتیک که از هوش مصنوعی (AI) استفاده می نماید، می تواند به سرعت و با دقت MRI های سینه را در زنان دارای سینه های متراکم غربال کند تا افراد بدون سرطان را از چرخه نوبت حذف نموده و رادیولوژیست ها را برای تمرکز بر موارد پیچیده تر یاری دهد.

ماموگرافی با ارائه تشخیص زودهنگام در مواردی که سرطان قابل درمان است، به کاهش مرگ و میر ناشی از سرطان سینه یاری نموده است. با این حال در زنان با سینه های بسیار متراکم نسبت به زنان با سینه های چرب حساسیت کمتری دارد. علاوه بر این، زنان با سینه های بسیار متراکم سه تا شش برابر بیشتر از زنان با سینه های کاملا چرب و دو برابر بیشتر از زنان معمولی در معرض ابتلا به سرطان سینه هستند.

غربالگری تکمیلی در زنان با سینه های بسیار متراکم حساسیت تشخیص سرطان را افزایش می دهد. تحقیقات صورت گرفته در خصوص بافت متراکم و غربالگری نئوپلاسم اولیه سینه (DENSE)، یک مطالعه بزرگ در هلند، استفاده از غربالگری تکمیلی با MRI را پشتیبانی کرد.

اریک وربرگ، نویسنده ارشد این مطالعه، از موسسه علوم تصویر در مرکز پزشکی دانشگاه اوترخت هلند، می گوید: آزمایش DENSE نشان داد که غربالگری MRI اضافی برای زنان با سینه های بسیار متراکم مفید است. از سوی دیگر، آزمایش DENSE تایید کرد که بیشتریت قریب به اتفاق زنان غربالگری یافته های مشکوکی در MRI ندارند.

از آنجایی که بیشتر MRI ها تغییرات طبیعی آناتومیکی و فیزیولوژیکی را نشان می دهند که ممکن است احتیاجی به آنالیز رادیولوژیکی نداشته باشد، راه هایی برای مقدار گیری این MRI های معمولی برای کاهش بار کار رادیولوژیست مورد احتیاج است.

در اولین مطالعه در نوع خود، وربرگ و همکارانش به آنالیز امکان سنجی یک روش آزمایش اتوماتیک بر اساس یادگیری عمیق، نوعی پیچیده از هوش مصنوعی پرداختند. آن ها از داده های MRI سینه از آزمایش DENSE برای توسعه و آموزش مدل یادگیری عمیق برای تشخیص سینه های با و بدون ضایعات استفاده کردند. این مدل بر روی داده های هفت بیمارستان آموزش دیده و بر روی داده های یک بیمارستان آزمایش شده است.

بیش از 4500 مجموعه داده MRI از سینه های بسیار متراکم گنجانده شد. از 9 هزار و 162 سینه مورد آزمایش، 838 نفر حداقل یک ضایعه داشتند که 77 مورد آن بدخیم و 8 هزار و 324 مورد هیچ ضایعه ای نداشت.

مدل یادگیری عمیق 90.7 از MRI های دارای ضایعات را غیر عادی در نظر گرفت و آن ها را برای آنالیز رادیولوژیکی آزمایش کرد. این مورد حدود 40 درصد از MRI های بدون ضایعه را بدون از بین رفتن هیچ گونه سرطانی حذف کرد.

وربورگ گفت: ما نشان دادیم که می توان با خیال راحت از هوش مصنوعی برای رد MRI های غربالگری سینه بدون از دست دادن هیچ بیماری با تومور بدخیم استفاده کرد. نتایج بهتر از انتظار بود. چهل درصد آغاز خوبی است. با این حال، ما هنوز 60 درصد برای بهبود داریم.

وربورگ گفت: سیستم تریاژ مبتنی بر هوش مصنوعی می تواند حجم کار رادیولوژیست را به مقدار قابل توجهی کاهش دهد. فقط در هلند، تقریبا82000 زن می توانند بر اساس تراکم سینه، دوسالانه برای غربالگری MRI سینه واجد شرایط باشند.

وربورگ می گوید: این رویکرد ابتدا می تواند برای یاری به رادیولوژیست ها برای کاهش زمان کلی مطالعه مورد استفاده قرار گیرد. در نتیجه زمان بیشتری برای تمرکز بر معاینات واقعا پیچیده MRI سینه در دسترس خواهد بود.

محققان قصد دارند این مدل را در مجموعه های داده دیگر معتبر نموده و در دور های بعدی آزمایش DENSE به کار گیرند.

بیشتر بخوانید