آسیایی دانشمند (31 مه 2024) – محققان دانشگاه کیوشو ژاپن یک مدل یادگیری ماشینی برای پیش بینی دقیق استئوسارکوم، نوعی سرطان استخوان، توسعه داده اند. این مدل به بهبود تشخیص تومور و در نتیجه ایجاد درمان شخصی کمک می کند. این مطالعه در منتشر شد انکولوژی دقیق npj.
استئوسارکوم معمولاً با جراحی یا شیمی درمانی درمان می شود که نتایج را به میزان قابل توجهی بهبود می بخشد. با این حال، پیش‌بینی پیش‌آگهی بیمار همچنان یک چالش است. در روش‌های سنتی، تخمین‌های پیش‌آگهی عمدتاً به میزان نکروز بستگی دارد، جایی که آسیب‌شناس میزان بافت مرده تومور را تجزیه و تحلیل می‌کند. اما قابلیت اطمینان این روش تحت تأثیر سطح مهارت یا تفاسیر آسیب شناس است، زیرا آسیب شناسان مختلف ممکن است نتایج را متفاوت تفسیر کنند. بنابراین، ممکن است نشانه دقیقی از عملکرد خوب درمان ارائه نکند.
با در نظر گرفتن این محدودیت، دکتر کنگو کاواگوچی و دکتر کازوکی میاما، نویسندگان همکار مطالعه، به همراه دکتر ماکوتو اندو، همگی از گروه جراحی ارتوپدی، دانشکده تحصیلات تکمیلی علوم پزشکی، دانشگاه کیوشو در ژاپن، به هوش مصنوعی روی آوردند. (AI) برای ارزیابی دقیق بیماری. آنها از رویکرد جدیدی برای پیش‌بینی پیش‌آگهی استئوسارکوم با تمرکز بر تراکم سلولهای تومور زنده پس از درمان استفاده کردند.
در مرحله اول مطالعه، آنها یک مدل یادگیری عمیق را برای تشخیص سلول های تومور زنده مانده در تصاویر پاتولوژیک آموزش دادند. مدل هوش مصنوعی آنها سطح مهارت بالایی را نشان داد که با قابلیت‌های آسیب‌شناسان متخصص مطابقت داشت. آنها سپس شروع به تجزیه و تحلیل بقای بیماری خاص و بدون متاستاز کردند که شاخص های مهم پیش آگهی بیمار هستند. علاوه بر این، محققان رابطه بین تراکم تخمین زده شده توسط هوش مصنوعی سلول های تومور زنده و پیش آگهی را بررسی کردند و نتایج امیدوارکننده ای را نشان دادند.
بیماران بر اساس تراکم سلول های تومور زنده به گروه هایی تقسیم شدند. آنهایی که تراکم بالایی از سلولهای تومور زنده دارند، پیش آگهی بدتری نسبت به آنهایی با تراکم کمتر سلولهای تومور زنده دارند. جالب توجه است که به نظر می رسد نکروز (مرگ سلولی) با بقای خاص بیماری یا بقای بدون متاستاز ارتباطی ندارد، که نشان دهنده برتری امتیازات پیش آگهی مبتنی بر هوش مصنوعی است.
در مقاله ای که در وب سایت دانشگاه کیوشو منتشر شده است، دکتر اندو بر اهمیت یافته های آنها تأکید می کند و می گوید:در روش سنتی، درجه نکروز به‌عنوان ناحیه نکروزه محاسبه می‌شود تا تعداد سلولهای فردی، که به اندازه کافی بین ارزیاب‌ها قابل تکرار نیست و به اندازه کافی اثرات داروهای ضد سرطان را منعکس نمی‌کند. بنابراین ما استفاده از هوش مصنوعی را برای بهبود ارزیابی در نظر گرفتیم“
این تحقیق پیامدهای مهمی دارد. استفاده از هوش مصنوعی در تجزیه و تحلیل آسیب شناسی می تواند نحوه تشخیص دقیق تومورها توسط پزشکان را بهبود بخشد، اختلاف نظر بین آسیب شناسان را کاهش دهد و پیش بینی های سریع تری از پیش آگهی ارائه دهد. همچنین، نگاه کردن به تراکم سلولهای تومور زنده، که رشد سلولهای تومور را پس از درمان تعیین می‌کند، روش بهتری برای پیش‌بینی اینکه یک درمان چقدر خوب عمل می‌کند، نسبت به بررسی مرگ سلولی است.
دکتر اندو گفت: «این رویکرد جدید این پتانسیل را دارد که دقت پیش آگهی را برای بیماران استئوسارکوم تحت درمان با شیمی درمانی بهبود بخشد. در آینده، ما قصد داریم هوش مصنوعی را به طور فعال در مورد بیماری‌های نادری مانند استئوسارکوم که پیشرفت محدودی در اپیدمیولوژی، پاتوژنز و سبب‌شناسی داشته‌اند، اعمال کنیم. علی‌رغم دهه‌هایی که می‌گذرد، به‌ویژه در استراتژی‌های درمانی، پیشرفت قابل‌توجهی مبهم باقی مانده است. با قرار دادن هوش مصنوعی بر روی مشکل، این در نهایت می تواند تغییر کند.
–
منبع: دانشگاه کیوشو ; تصویر: موسسه ملی سرطان / Unsplash
مقاله را می توان در آدرس زیر یافت: تراکم سلول های تومور زنده پس از شیمی درمانی نئوادجوانت ارزیابی شده با استفاده از یک مدل یادگیری عمیق، منعکس کننده پیش آگهی استئوسارکوم است..
سلب مسئولیت: این مقاله لزوماً منعکس کننده نظرات AsianScientist یا کارکنان آن نیست.