انتشار این مقاله


آیا هوش مصنوعی آینده تشخیص سرطان است؟

دانشمندان طی مطالعه‌­ای الگوریتمی را ساختند که می­‌تواند در اسکن­‌های بافت پستانی، میان توده­‌های خوش‌­خیم و بدخیم تمایز قائل شود.

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.

نمایش دیدگاه ها (0)
دیدگاهتان را بنویسید