هوش مصنوعی برای کشف موارد پنهان سرطان پروستات به کمک پزشکان آمد
هوش مصنوعی با بررسی تصاویر بافتی سرطان پروستات میتواند به شناسایی نشانههای کوچکی کمک کند که احتمال دارد در بررسی معمول از چشم پزشکان دور بماند؛ فناوریای که قرار است بهعنوان یک لایه نظارتی، دقت فرایند تشخیص را افزایش دهد.
بخش آسیبشناسی دانشگاه ییل در آمریکا یک سامانه هوش مصنوعی را به فرایند بررسی نمونههای بیوپسی پروستات اضافه کرده است؛ ابزاری که با مقایسه تصاویر دیجیتال با دهها هزار نمونه سرطان پروستات، میتواند موارد مشکوکی را که ممکن است از چشم آسیبشناس دور بماند، شناسایی و بهعنوان یک لایه کنترل کیفیت عمل کند.
وقتی پزشک به دلیل علائم یا یافتههای بالینی مشکوک به سرطان پروستات، برای بیمار نمونهبرداری تجویز میکند، معمولاً دهها اسلاید بافتی برای بررسی در اختیار آسیبشناس قرار میگیرد.
به گفته پزشکان از هر بیمار معمولاً ۱۲ تا ۱۸ بخش نمونهبرداری میشود و از هر بخش سه اسلاید تهیه میشود؛ بنابراین آسیبشناس گاهی باید بیش از ۵۰ اسلاید را بررسی کند.
متخصصان آسیبشناسی دستگاه ادراری-تناسلی در ییل هر اسلاید را با دقت بررسی میکنند. در صورت مشاهده سرطان، آنها میزان و درجه تومور را مشخص میکنند تا میان تومورهای تهاجمی و تومورهای کمخطرتر و با رشد آهسته تمایز ایجاد شود.
آسیبشناسان ییل علاوه بر میکروسکوپ از فناوریهایی مانند رنگآمیزی ایمونوهیستوشیمی، اسکنرهای تماماسلاید و پردازشگرهای خودکار بافت نیز استفاده میکنند. اکنون یک سامانه هوش مصنوعی نیز به این مجموعه اضافه شده است.
این سامانه با استفاده از یک پایگاه داده عظیم از نمونههای بیوپسی پروستات، تصاویر دیجیتال اسلایدهایی را که آسیبشناس بررسی میکند با دهها هزار تصویر از نمونههای سرطان پروستات مقایسه میکند و نتیجه بررسی را تقریباً بلافاصله در اختیار آسیبشناس قرار میدهد. پلتفرم Paige AI مجوز سازمان غذا و داروی آمریکا (FDA) را برای استفاده بهعنوان ابزار کنترل کیفیت دریافت کرده است.
این ابزار مانند یک شبکه ایمنی است تا موارد کوچکی را که ممکن است آسیبشناس از دست بدهد، شناسایی کند. هدف آن پیدا کردن سرطان است، نه اینکه لزوماً تشخیص دقیقی ارائه دهد. تشخیص همچنان بر عهده آسیبشناس است.
آسیبشناس هنگام نهایی کردن گزارش خود، نتیجه بررسی هوش مصنوعی را با ارزیابی خودش مقایسه میکند. اگر هوش مصنوعی اسلایدی را که آسیبشناس خوشخیم تشخیص داده، مشکوک اعلام کند، پزشک دوباره آن را بررسی میکند.
به گفته یکی از محققان این پروژه «معمولاً یک یا دو غده کوچک و غیرطبیعی هستند که هوش مصنوعی آنها را شناسایی میکند و ما ممکن است از آنها عبور کنیم. این یافته برای تشخیص سرطان کافی نیست، اما برای پیگیریهای بعدی اهمیت دارد.»
این سامانه یک شبکه عصبی یادگیری عمیق است که با الهام از نحوه عملکرد مغز انسان طراحی شده و از لایههای متعددی از الگوریتمهای بههمپیوسته تشکیل شده است. این الگوریتمها دادهها را پردازش و الگوهای پیچیده را یاد میگیرند تا تصاویر بافتی را بررسی کنند.
پس از اسکن هر اسلاید در سیستم ییل، دادهها از طریق سامانهای که توسط تیم انفورماتیک آسیبشناسی این دانشگاه ایجاد شده، به پلتفرم هوش مصنوعی منتقل میشود. الگوریتم بررسی را انجام میدهد و نتیجه همزمان با بررسی اسلاید توسط آسیبشناس در دسترس قرار میگیرد.
با این حال، پژوهشگران ییل همچنان در حال جمعآوری دادهها هستند تا مشخص شود این فناوری تا چه اندازه میتواند به مراقبت از بیماران کمک کند.
هرچند هنوز مشخص نیست بهترین روش استفاده از این فناوری در فرایند کاری آسیبشناسی چیست، اما هوش مصنوعی میتواند در آینده بخشهای بزرگی از این فرایند را خودکار و استاندارد کند، پروندهها را اولویتبندی کند و اطلاعات مربوط به پیامدهای بیماری را از تصاویر بافتشناسی استخراج کند.
اگر آسیبشناسان ییل به این نتیجه برسند که سامانه در شناسایی موارد فاقد سرطان نیز بهطور مداوم دقیق عمل میکند، ممکن است در آینده از آن بهعنوان یک ابزار غربالگری اولیه استفاده شود تا آسیبشناسان بتوانند تمرکز بیشتری بر نمونههایی داشته باشند که احتمال وجود سرطان در آنها بالاتر است.
