مکاترونیک نیوز |مدل هوش مصنوعی ژنومیک و بافت‌شناسی، داده‌های پیش آگهی را برای بیماران سرطانی ادغام می‌کند

اگرچه مدت‌هاست که مشخص شده است که پیش‌بینی نتایج در بیماران سرطانی مستلزم در نظر گرفتن ویژگی‌های مختلفی از جمله تاریخچه بیمار، ژن‌ها و آسیب‌شناسی بیماری است، پزشکان هنگام تصمیم‌گیری در مورد مراقبت از بیمار، ترکیب داده‌های پیش آگهی را دشوار می‌دانند.

یک مدل اثبات مفهوم از هوش مصنوعی (AI) برای جمع‌آوری اشکال مختلف داده‌های پیش آگهی از منابع مختلف و پیش‌بینی پیامدهای بیماران برای 14 نوع متمایز سرطان استفاده می‌کند، در مطالعه جدیدی توسط محققان آزمایشگاه محمود در بیمارستان زنان و بریگهام انجام شد.

برای تشخیص و پیش‌بینی انواع مختلف سرطان، متخصصان به منابع اطلاعاتی مختلفی از جمله تاریخچه بیمار، آسیب‌شناسی و توالی ژنتیکی تکیه می‌کنند.

در حالی که آنها می‌توانند از این اطلاعات برای پیش‌بینی نتایج به دلیل فناوری فعلی استفاده کنند، ادغام دستی داده‌های پیش آگهی از بسیاری از منابع دشوار است و اغلب کارشناسان خود را در مورد قضاوت می‌بینند.

فیصل محمود، استادیار، بخش آسیب شناسی محاسباتی، بیمارستان زنان و بریگام می‌گوید:

«کارشناسان بسیاری شواهد را تجزیه و تحلیل می‌کنند تا پیش بینی کنند که یک بیمار چقدر خوب می‌تواند عمل کند. این معاینات اولیه مبنای تصمیم‌گیری در مورد ثبت‌نام در کارآزمایی بالینی یا رژیم‌های درمانی خاص می‌شود؛ اما این روند به آن معناست که این پیش‌بینی چندوجهی در سطح متخصص اتفاق می‌افتد.  ما سعی می‌کنیم مشکل را به صورت محاسباتی حل کنیم.»

فیصل محمود، یکی از اعضای وابسته برنامه سرطان در موسسه براد هاروارد و MIT است.

محمود و همکارانش راهی برای ترکیب محاسباتی چند نوع داده تشخیصی برای ارائه پیش‌بینی‌های دقیق‌تر نتیجه از طریق استفاده از این مدل‌های جدید هوش مصنوعی کشف کردند.

استفاده از مدل هوش مصنوعی با داده‌های پیش آگهی برای تشخیص بیماری سرطانی

 

مدل‌های هوش مصنوعی توانایی‌های تصمیم‌گیری با داده‌های پیش‌آگهی را نشان می‌دهند، در حالی که زیربنای پیش‌بینی متغیرهای مورد استفاده برای پیش‌بینی خطر بیمار را نشان می‌دهند، کیفیتی که ممکن است برای یافتن نشانگرهای زیستی جدید مورد سوءاستفاده قرار گیرد.

اطلس ژنوم سرطان (TCGA)، یک منبع در دسترس آزاد بوده که حاوی اطلاعاتی در مورد انواع متعدد سرطان است، توسط محققان برای ایجاد مدل‌ها استفاده شد. آنها یک الگوریتم مبتنی بر یادگیری عمیق چندوجهی ایجاد کردند که می‌تواند داده‌های پیش آگهی را از منابع مختلف داده استخراج کند.

همچنین آنها توانستند با ایجاد مدل‌های متمایز برای بافت‌شناسی و داده‌های ژنتیکی، فناوری‌ها را در یک موجودیت یکپارچه ترکیب کنند که اطلاعات مهم پیش آگهی را ارائه می‌دهد.

در نهایت، دانشمندان عملکرد مدل را با دادن مجموعه داده‌هایی از 14 نوع سرطان مختلف و اطلاعات بافت شناسی و ژنتیکی در مورد بیمار ارزیابی کردند. نتایج نشان داد که مدل‌های تولید شده قادر به پیش‌بینی نتایج بیمار هستند که دقیق‌تر از مدل‌هایی هستند که تنها از یک منبع داده استفاده می‌کنند.

نتایج مطالعات مدل هوش مصنوعی بر پیامدهای بیماری

این مطالعه نشان می‌دهد که پیش‌بینی پیامدهای بیماری با ادغام چند شکل از داده‌های بالینی با استفاده از هوش مصنوعی امکان‌پذیر است. به گفته فیصل محمود، ممکن است این مدل‌ها به محققان کمک کند نشانگرهای زیستی را پیدا کنند که جنبه‌های بالینی مختلف را ادغام کرده و نوع داده‌هایی را که برای شناسایی انواع متمایز سرطان نیاز دارند، بهتر درک کنند.

ارزش هر روش تشخیصی برای انواع خاصی از سرطان و مزایای ترکیب روش‌های متعدد نیز به صورت کمی توسط محققان مورد ارزیابی قرار گرفت.

همچنین مدل‌های هوش مصنوعی می‌توانند ویژگی‌های پاتولوژیک و ژنتیکی را نشان دهند که بر پیش‌بینی‌های داده‌های پیش آگهی تأثیر می‌گذارند. دانشمندان کشف کردند که مدل‌ها از پاسخ‌های ایمنی بیمار به‌عنوان یک علامت پیش‌بینی‌کننده استفاده می‌کردند، بدون اینکه به آنها دستوری داده شود.

این مدل هوش مصنوعی یک کشف مهم است؛ زیرا تحقیقات قبلی نشان داده است که بیماران مبتلا به بدخیمی‌هایی که پاسخ‌های ایمنی بالاتری را برمی‌انگیزند، معمولاً نتایج بهتری دارند.

در حالی که این مدل اثبات مفهوم کاربرد تازه کشف شده هوش مصنوعی را در درمان سرطان نشان می‌دهد، این تحقیق صرفاً آغاز کاربرد بالینی این مدل‌ها را نشان می‌دهد.

مجموعه داده‌های بزرگ‌تر باید گنجانده شوند و این مدل‌ها باید قبل از استفاده در تنظیمات بالینی در چند گروه آزمایشی مستقل تأیید شوند.

فیصل محمود، قصد دارد در آینده داده‌های بیشتری از بیمار، از جمله اسکن‌های رادیولوژیک، تاریخچه‌های خانوادگی و سوابق پزشکی الکترونیکی را ترکیب کند و در نهایت این مدل را در کارآزمایی‌های بالینی اعمال کند.

فیصل محمود، استادیار، بخش آسیب شناسی محاسباتی، بیمارستان زنان و بریگام می‌گوید:

«این کار زمینه را برای مطالعات هوش مصنوعی مراقبت‌های بهداشتی بزرگ‌تر که داده‌ها را از منابع متعدد ترکیب کرده، آماده می‌کند. در مفهوم گسترده‌تر، یافته‌های ما بر نیاز به ساخت مدل‌های پیش‌آگهی آسیب‌شناسی محاسباتی با مجموعه داده‌های بسیار بزرگ‌تر و آزمایش‌های بالینی پایین‌دستی برای ایجاد سودمندی تأکید می‌کنند.»

خبرنگار: فرشاد خلقتی

منبع خبر: www.azorobotics.com