دانشمندان طی مطالعه‌ای با استفاده از هوش مصنوعی الگوریتمی را ساختند که می‌تواند در اسکن‌های بافت پستانی، میان توده‌های خوشخیم و بدخیم تمایز قائل شود.
در سرطان، مهم‌ترین راه حصول به درمانی موفقیت‌آمیز، تشخیص زودهنگام آن است. واضح است که پزشکان برای رسیدن به این هدف نیاز به روش‌های تصویربرداری با کیفیت بالا و رادیولوژیست‌هایی ماهر دارند که بتوانند کوچکترین نشانه‌ای از رشد ناهنجار سلولی را به سرعت ردیابی کنند. پس از تشخیص، پزشکان باید بتوانند بدخیم یا خوشخیم بودن توده را شناسایی نمایند. مطمئن‌ترین روش، بیوپسی است که پروسه‌ای تهاجمی می‌باشد.
حتی این فرایند نیز خالی از خطا نیست. ممکن است در حالیکه سرطان وجود ندارد، فرد با سرطان تشخیص داده شود و برعکس. هر دوی این رویدادها استرس‌زا بوده و دومی می‌تواند شروع درمان را نیز به تاخیر بیندازد. به همین علت، محققان در تلاشند تا روش‌های تشخیصی را بهبود بخشیده و از وقوع چنین اشتباهاتی جلوگیری نمایند. اینکه بتوانیم بدخیمی یا خوشخیمی توده‌ای را با درجه اطمینان بالا و بدون نیاز به بیوپسی تعیین نماییم، بسیار تعیین‌کننده خواهد بود.
برخی از دانشمندان در حال بررسی پتانسیل‌های هوش مصنوعی در رسیدن به این هدف هستند. در مطالعه جدیدی، دانشمندان الگوریتمی ساخته‌اند که نتایج امیدوارکنندهای به همراه داشته است.
هوش مصنوعی و الاستوگرافی
الاستوگرافی با اولتراسوند روش تشخیصی نسبتا جدیدی است که میزان سفتی بافت پستان را بررسی میکند. عملکرد این روش بر پایه ارتعاش بافتی و بررسی امواج حاصله است. این امواج منعکس‌کننده نواحی با خصوصیات بافتی متفاوت در پستان می‌باشد. پزشکان می‌توانند با استفاده از این اطلاعات، خوش خیمی یا بدخیمی توده را تعیین کنند.
با اینکه این متد دارای پتانسیل‌های فراوانی است، آنالیز نتایج الاستوگرافی زمان‌بر بوده و مراحل متعددی را شامل می‌شود که یکی از آنها تحلیل تصاویر پیچیده است. به تازگی گروهی از محققان دانشگاه کالیفرنیای جنوبی در لس آنجلس به این فکر افتادند که آیا می توان الگوریتمی ایجاد کرد که بتواند در کمترین تعداد مراحل، اطلاعات را از این تصاویر استخراج کند.
هدف آنها این بود که بدانند آیا می‌توان این الگوریتم را طوری آموزش داد که بتواند بین توده های خوش خیم و بدخیم در اسکن‌های پستانی تمایز قائل شود. آنان موفق شدند که با آموزش الگوریتم با استفاده از داده‌های سنتتیک به جای اسکن‌های واقعی به این هدف دست پیدا کنند.
داده‌های سنتتیک
در پاسخ به این سوال که چرا تیم از داده‌های سنتتیک استفاده کرد، محقق ارشد این مجموعه، پروفسور Assad Oberai، علت را در میزان دسترسی به داده‌های واقعی میداند. به گفته وی، در آنالیز داده‌های تصویربرداری پزشکی، دسترسی به ۱۰۰۰ تصویر خوش شانسی محسوب می‌شود. پس در شرایطی مشابه این که داده‌ها اندک هستند، چنین تکنیک‌هایی اهمیت پیدا می‌کنند.
محققان توانستند با استفاده از بیش از ۱۲۰۰۰ تصویر سنتتیک، الگوریتم‌های یادگیری ماشینی خود را طوری آموزش دهند که به گفته خود آنان شبکه نورونی عمیق و پیچیده‌ای ایجاد شود. در انتهای این فرآیند، الگوریتم در تحلیل داده‌های سنتتیک با دقتی برابر ۱۰۰ درصد عمل کرد. مرحله بعدی، استفاده از اسکن‌های واقعی بود. محققان تنها به ده اسکن دسترسی داشتند. نیمی از این اسکن‌ها دارای توده‌های بدخیم بودند و نیمی از آنها دارای توده‌های خوشخیم. محقق ارشد این مجموعه، دقت این مرحله را در حدود ۸۰ درصد بیان میکند. محققان سپس اقدام به بهبود این الگوریتم با استفاده از تعداد بیشتر اسکن‌های ورودی واقعی نمودند.
دقت ۸۰ درصدی در ابتدای کار ممکن است خوب محسوب شود، اما به حد کافی بالا نیست. محققان معتقدند که با آموزش الگوریتم با استفاده از داده‌های واقعی بیشتر، دقت آن افزایش خواهد یافت. همچنین محققان قبول دارند که بررسی آنها روی تعداد اندکی از نمونه‌ها انجام شده است و نمی‌تواند قابلیت‌های آینده این الگوریتم را پیشبینی کند.
رشد فناوری هوش مصنوعی
در سال‌های اخیر، علاقه‌مندی محققان به استفاده از هوش مصنوعی در فرایندهای تشخیصی افزایش یافته است. امروزه هوش مصنوعی به طرز موفقیت‌آمیزی در آنالیز تصاویر رادیولوژی، پاتولوژی و درماتولوژی اعمال شده و منجربه افزایش سرعت تشخیص و دقت این روش‌های تشخیصی گشته است.
با این حال پروفسور Oberia، معتقد است که هوش مصنوعی هرگز نمی‌تواند جایگزین اپراتورهای انسانی شود. وی بیان می کند که این نوع از الگوریتم‌ها طبق نظر عموم نقش قابل توجهی را ایفا کرده و می‌توانند جایگزین متخصصان تصویربرداری شوند که درست نیست. با اینکه تکنولوژی‌های تشخیصی بر پایه هوش مصنوعی بسیار مفید هستند، باید متخصصانی باشند که نحوه کارکرد را به آنها آموزش دهند.
محققان امیدوارند که بتوانند این متد جدید را در تشخیص سایر سرطان‌ها نیز به کار برند. در انواع مختلف سرطان، با رشد بیشتر تومور، رفتار بافتی از لحاظ فیزیکی تغییر خواهد کرد. به نظر می‌رسد که شناسایی این تفاوت ها و آموزش الگوریتم به منظور ردیابی آنها ممکن باشد. از آنجایی که هر نوع از سرطان، رفتار متفاوتی را نسبت به بافت‌های اطراف خود بروز می‌دهد، این الگوریتم باید قادر باشد که بر مشکلات خاص موجود در هر نوع از سرطان غلبه کند.
