سرطان کولورکتال (CRC) توسط هوش مصنوعی و DL ، پیش بینی‌های دقیق و موثر را در سال 2023 انجام داد!!!

به گزارش مکاترونیک نیوز، برای اولین بار محققان هلمهولتز مونیخ و دانشگاه فناوری درسدن (TU Dresden) نشان دادند که پیش‌بینی‌های مبتنی بر هوش مصنوعی (AI) می‌تواند یافته‌هایی برابر با آزمایش بالینی بر روی نمونه‌های CRC و سرطانی به دست آورد و نتایج قابل مقایسه با آزمایش‌های بالینی روی بیوپسی بیماران مبتلا به سرطان کولورکتال (CRC) را ارائه دهد.

یادگیری عمیق (DL) می تواند پیش بینی بیومارکرهای پیش آگهی را از اسلایدهای آسیب شناسی معمول در سرطان کولورکتال (CRC)  انجام داده و حتی تسریع کند. با این حال، رویکردهای فعلی بر شبکه‌های عصبی کانولوشنال (CNN) متکی هستند و عمدتاً بر روی گروه‌های بیماران کوچک تأیید شده‌اند.

به عبارتی می توان گفت پیش‌بینی‌های هوش مصنوعی می‌تواند تجزیه و تحلیل نمونه‌های بافت را تسریع بخشد و در نتیجه تصمیم‌گیری‌های درمانی سریع‌تری را به همراه داشته باشد. این مدل جدید برای تشخیص بیومارکر نشان‌دهنده گام مهمی در جهت تحقق رویکردهای درمانی دقیق در زمینه سرطان‌شناسی با بررسی بر روی سرطان کولورکتال (CRC) بوده است. این روش اکنون در Cancer Cell منتشر شده است.

تیمی از دانشمندان گروه دکتر Tingying Peng از هلمهولتز مونیخ و پروفسور Jakob N. Kather از TU Dresden نشان می‌دهند که هوش مصنوعی می‌تواند نشانگرهای زیستی خاصی را در نمونه‌های بافت رنگ‌شده بیماران مبتلا به CRC و مبتلا به سرطان پیش بینی کند. آنها از شبکه‌های ترانسفورماتور، یک رویکرد جدید یادگیری عمیق (DL) برای شناسایی الگوها و حمایت از تصمیم‌های تشخیصی در مدیریت سرطان استفاده کردند. روش جدید به طور قابل توجهی رویکردهای قبلی را برای تشخیص نشانگرهای زیستی بهبود می بخشد.

برای یافتن الگوها و کمک به انتخاب های تشخیصی برای مراقبت از سرطان، آنها از شبکه های ترانسفورماتور به اصطلاح، یک روش یادگیری عمیق (DL) معاصر استفاده کردند. استراتژی جدید برای شناسایی نشانگرهای زیستی نسبت به تکنیک‌های قبلی بسیار بهبود می‌یابد.

ارزیابی در مقیاس بزرگ تعمیم بهتر و کارایی داده را ثابت می‌کندتیم محققان نرم افزاری را توسعه دادند که از فناوری جدید شبکه های عصبی ترانسفورماتور در طول فرآیند تحلیل استفاده می کند و جزیه و تحلیل را انجام می‌دهد.آنها نشان می دهند که رویکرد آنها به طور قابل ملاحظه ای عملکرد، تعمیم پذیری، کارایی داده ها و تفسیرپذیری را با ارزیابی آن روی یک گروه بزرگ چند مرکزی متشکل از 13000 بیمار از 16 گروه از هفت کشور (استرالیا، چین، آلمان، اسرائیل، هلند، بریتانیا، ایالات متحده آمریکا) بهبود می‌بخشد. بخشی از آن توسط محققان مرکز تحقیقات سرطان آلمان (DKFZ) هایدلبرگ و شبکه مراکز ملی بیماری های تومور (NCT) ارائه شده است.

الگوریتم آموزش داده شده بر روی گروه بزرگ چند مرکزی، حساسیت بسیار بالایی بر روی نمونه‌های بافت برداشته‌شده در طول جراحی به دست می‌آورد. به طور قابل توجهی، حتی اگر مدل آنها فقط بر روی نمونه های بافتی از رزکسیون آموزش داده شده است، نتایج می تواند به عملکرد بالایی در بافت بیوپسی به دست آمده در طول کولونوسکوپی برسد. سوفیا جی واگنر، نویسنده اول این مطالعه، تأکید می‌کند که «تعمیم به بافت بیوپسی، زمانی که در نهایت در روال بالینی اجرا شود، مزیت الگوریتم را برای بیمار افزایش می‌دهد».

ارزیابی بر روی یک گروه بزرگ چند مرکزی، شامل بیش از 13000 بیمار از 16 گروه از هفت کشور (استرالیا، چین، آلمان، اسرائیل، هلند، بریتانیا و ایالات متحده آمریکا)، که برخی از آنها توسط محققان مرکز تحقیقات سرطان آلمان (DKFZ) ارائه شده است. ) هایدلبرگ و شبکه مراکز ملی بیماری های تومور (NCT)، نشان می دهد که رویکرد آنها به طور قابل توجهی عملکرد، تعمیم پذیری، کارایی داده‌ها و قابلیت تفسیر را بهبود می‌بخشد.

الگوریتم آموزش داده شده بر روی یک گروه چند مرکزی عظیم، حساسیت بالایی را بر روی نمونه‌های بافت برداشته‌شده پس از جراحی، جمع‌آوری می‌کند. با کمال تعجب، اگرچه مدل آنها فقط بر روی نمونه‌های بافتی از رزکسیون آموزش داده شده بود، یافته‌ها توانستند عملکرد خوبی بر روی بافت بیوپسی گرفته‌شده در طول کولونوسکوپی داشته باشند.

سوفیا جی. واگنر، نویسنده اول مطالعه و دانشجوی دکترا، هلمهولتز مونیخ:

تعمیم به بافت بیوپسی زمانی که در نهایت در روال بالینی اجرا شود، مزیت الگوریتم را برای بیمار افزایش می دهد.

پیش غربالگری مبتنی بر هوش مصنوعی، بر روی بیوپسی ها تشخیص را تسریع می‌کند

به دلیل حساسیت بالای آن بر روی بافت بیوپسی، این الگوریتم می تواند به عنوان یک ابزار پیش غربالگری و به دنبال آن آزمایش مثبت برای مواردی که در طول آزمایش هوش مصنوعی نتیجه مثبت دریافت کرده اند، عمل کند. استفاده از پیش‌بینی نشانگر زیستی مبتنی بر هوش مصنوعی می‌تواند بار آزمایش را کاهش دهد و بنابراین گام بین انجام بیوپسی و تعیین مولکولی وضعیت خطر ژنتیکی را تسریع می‌کند، بنابراین در صورت لزوم، درمان اولیه با ایمونوتراپی بیمار را ممکن می‌سازد.

سوفیا جی واگنر، دانیل رایزنبوچلر، نیکلاس پی وست، یان موریتز نیهوس، جیفو ژو، سباستین فورش، گریگوری پاتریک ولدهویزن، فیلیپ کویرکه، هایکه آی گرابش، پیت آ ون دن برانت، گوردون جی‌آی هاچینز، سوزان دی ریچمن، تانپری لنگر، جوسین کالیفرنیا جنیسکنز، کلی آفرمنز، ولفرام مولر، ریچارد گری، استفن بی گروبر، جوئل کی گرینسون، گاد رنرت، جوزف دی بونر، دانیل اشمولز، جیتندرا جوناگادالا، نیکلاس جی هاوکینز، رابین ال وارد، دیون مورتونور، مت، دیون مورتونور، لورا ماگیل، مارتا نواک، جنیفر هی، ویکتور اچ کولزر، دیوید ان چرچ، دیوید چرچ، انریک دومینگو، جوآن ادواردز، بنگت گلیملیوس، اسماعیل گوگنور، آندریا هارکین، جن هی، تیموتی ایوسون، اما جیگر، کارولین کلی، ریچل کر، نوری ماکا، هانا مورگان، کارین اوین، کلر اورنج، کلر پالس، کمپل راکسبورگ، اوون سانسوم، مارک ساندرز، ایان تاملینسون، کریستین ماتک، کارول گپرت، چائولونگ پنگ، چنگ ژی، شیائومینگ اویانگ، ژاکلین ای جیمز، موریس بی، مانوئل سالتو تلز، هرمان برنر، مایکل هافمایستر، دانیل ترون، جولیا اسنابل، ملانی باکسبرگ، تینگینگ پنگ، یاکوب نیکولاس کاتر محققین این تحقیق بوده اند.

نام خبرنگار : مریم آموت سر

منبع خبر :

https://www.azorobotics.com