هوش مصنوعی و درمان سرطان به چه شکل است – کلینیک آروین

هوش مصنوعی به برنامه‌ های کامپیوتری یا الگوریتم ‌هایی گفته می‌ شود که از داده ‌ها برای تصمیم‌ گیری یا پیش ‌بینی استفاده می‌ کنند. برای ساختن یک الگوریتم، دانشمندان ممکن است مجموعه ای از قوانین یا دستورالعمل ها را برای کامپیوتر ایجاد کنند تا بتواند داده ها را تجزیه و تحلیل کند و تصمیم بگیرد.

برای مثال، دکتر ترکبی و همکارانش از قوانین موجود در مورد چگونگی ظاهر شدن سرطان پروستات در اسکن MRI استفاده کردند. آنها سپس الگوریتم خود را با استفاده از هزاران مطالعه MRI تطبیق دادند و آن را برخی از افراد مبتلا به سرطان پروستات و برخی از افرادی که مبتلا به سرطان پروستات نیستند مورد مطالعه قرار دادند.

با سایر رویکرد های هوش مصنوعی، مانند یادگیری ماشینی ، الگوریتم به خود می آموزد که چگونه داده ها را تجزیه و تحلیل و تفسیر کند. به این ترتیب، الگوریتم های یادگیری ماشینی ممکن است الگوهایی را انتخاب کنند که برای چشم یا مغز انسان به راحتی قابل تشخیص نیستند. و همانطور که این الگوریتم ها در معرض داده های جدید بیشتری قرار می گیرند، توانایی آنها در یاد گیری و تفسیر داده ها بهبود می یابد.

هوش مصنوعی چیست؟

محققان همچنین از یادگیری عمیق، نوعی یادگیری ماشینی، در برنامه های تصویربرداری سرطان استفاده کرده اند. یادگیری عمیق به الگوریتم هایی اطلاق می شود که اطلاعات را به روش هایی بسیار شبیه به مغز انسان طبقه بندی می کند. ابزارهای یادگیری عمیق از «شبکه‌های عصبی مصنوعی» استفاده می ‌کنند که نحوه دریافت، پردازش و واکنش سلول‌ های مغز ما به سیگنال‌ های بقیه بدن را تقلید می ‌کنند.

تشخیص سرطان با استفاده از هوش مصنوعی

آزمایش هایی مانند ماموگرافی و تست پاپ برای بررسی منظم افراد از نظر علائم سرطان یا سلول های پیش سرطانی که می توانند به سرطان تبدیل شوند، استفاده می شود. هدف از این کار تشخیص و درمان زودهنگام سرطان، قبل از گسترش یا حتی قبل از تشکیل آن است.

دانشمندان ابزار های هوش مصنوعی را برای کمک به تست های غربالگری انواع سرطان، از جمله سرطان سینه، توسعه داده اند. برنامه های کامپیوتری مبتنی بر هوش مصنوعی بیش از 20 سال است که برای کمک به پزشکان برای تفسیر ماموگرافی استفاده می شود، اما تحقیقات در این زمینه به سرعت در حال پیشرفت است.

یک گروه یک الگوریتم هوش مصنوعی ایجاد کردند که می ‌تواند به تعیین اینکه فرد چقدر باید برای سرطان سینه غربالگری شود، کمک کند. این مدل از تصاویر ماموگرافی افراد برای پیش بینی خطر ابتلا به سرطان سینه در 5 سال آینده استفاده می کند. در آزمایش ‌های مختلف، این مدل دقیق ‌تر از ابزارهای فعلی مورد استفاده برای پیش ‌بینی خطر سرطان سینه است.

محققان NCI یک الگوریتم یادگیری عمیق ساخته و آزمایش کرده اند که می تواند پیش سرطان های دهانه رحم را که باید حذف یا درمان شوند، شناسایی کند. در برخی از مکان ها با منابع کم، کارکنان بهداشتی با بررسی دهانه رحم با یک دوربین کوچک، پیش سرطان دهانه رحم را بررسی می کنند. اگرچه این روش ساده و پایدار است، اما چندان قابل اعتماد و دقیق نیست.

دکتر مارک شیف من از بخش اپیدمیولوژی و ژنتیک سرطان NCI و همکارانش الگوریتمی را برای بهبود توانایی یافتن پیش سرطان دهانه رحم با روش بازرسی بصری طراحی کردند. در یک مطالعه در سال 2019، این الگوریتم بهتر از کارشناسان آموزش دیده عمل کرد.

برای سرطان روده بزرگ، چندین ابزار هوش مصنوعی در آزمایشات بالینی نشان داده شده است که تشخیص رشد پیش سرطانی به نام آدنوم را بهبود می بخشد . با این حال، از آنجا که تنها درصد کمی از آدنوم ها به سرطان تبدیل می شوند، برخی از کارشناسان نگران هستند که چنین ابزارهای هوش مصنوعی می تواند منجر به درمان های غیر ضروری و آزمایش های اضافی برای بسیاری از بیماران شود.

هوش مصنوعی همچنین پتانسیل بهبود تشخیص سرطان را در افرادی که دارای علائم هستند نشان داده است. به عنوان مثال، مدل هوش مصنوعی که توسط دکتر ترکبی و همکارانش در مرکز تحقیقات سرطان NCI توسعه یافته است ، می‌تواند تشخیص سرطان پروستات تهاجمی را در یک نوع نسبتاً جدید اسکن MRI پروستات، به نام MRI چند پارامتری، آسان‌تر کند. اگرچه MRI مولتی پارامتریک تصویر دقیق تری از پروستات نسبت به MRI معمولی ایجاد می کند، رادیولوژیست ها معمولاً برای خواندن دقیق این اسکن ها به سال ها تمرین نیاز دارند که منجر به اختلاف نظر بین رادیولوژیست هایی می شود که به همان اسکن نگاه می کنند.

برای سرطان ریه، چندین مدل هوش مصنوعی یادگیری عمیق ایجاد شده است تا به پزشکان کمک کند سرطان ریه را در سی تی اسکن پیدا کنند. برخی از تغییرات غیرسرطانی در ریه ها در سی تی اسکن بسیار شبیه سرطان به نظر می رسند، که منجر به نرخ بالای نتایج مثبت کاذب آزمایش می شود که نشان می دهد فرد مبتلا به سرطان ریه است در حالی که واقعاً چنین نیست.

کارشناسان فکر می کنند که هوش مصنوعی ممکن است سرطان ریه را از تغییرات غیرسرطانی در سی تی اسکن تشخیص دهد و به طور بالقوه تعداد موارد مثبت کاذب را کاهش دهد و برخی از افراد را از استرس غیر ضروری، آزمایش های پیگیری و روش ها دور کند.

آیا ابزارهای هوش مصنوعی برای تصویربرداری سرطان برای دنیای واقعی آماده هستند؟

اگرچه دانشمندان در حال تولید ابزارهای هوش مصنوعی برای تصویربرداری سرطان هستند، اما این زمینه هنوز نوپا است و بسیاری از سوالات در مورد کاربردهای عملی این ابزارها بی پاسخ مانده است.

در حالی که صدها الگوریتم در آزمایش‌های اولیه به اثبات رسیده‌ اند، اکثر آنها به مرحله بعدی آزمایش نرسیده‌اند.اما با توجه به مطالعات و تحقیقات پزشکان میتوان در آینده ای نه چندان دور از آنها برای تصویربرداری سرطان استفاده نمود.

اما حتی پس از آن، دکتر آئرتس گفت، یک سوال اصلی در مورد هوش مصنوعی این است که: “چگونه  ما مطمئن شویم که این الگوریتم‌ها برای سالیان سال به کار و عملکرد خوب خود ادامه می‌دهند؟” به عنوان مثال، او توضیح داد که اسکنرهای جدید می توانند ویژگی های تصویر را که ابزار هوش مصنوعی برای پیش بینی یا تفسیر به آن تکیه می کند، تغییر دهند. و این می تواند عملکرد آنها را تغییر دهد.

همچنین سؤالاتی در مورد چگونگی تنظیم ابزارهای هوش مصنوعی وجود دارد. بیش از 60 دستگاه یا الگوریتم پزشکی مبتنی بر هوش مصنوعی از سال 2020 تأییدیه سازمان غذا و دارو آمریکا را دریافت کرده اند.. اما حتی پس از تایید آنها، برخی از الگوریتم‌ های یادگیری ماشین با قرار گرفتن در معرض داده‌ های جدید تغییر می ‌کنند. در سال 2021، سازمان غذا و دارو آمریکا چارچوبی برای نظارت بر فناوری ‌های هوش مصنوعی که توانایی تطبیق با آن را دارند ، صادر کرد .

برای مثال، یک مطالعه اخیر نشان داد که یک الگوریتم یادگیری ماشینی که برای پیش ‌بینی نتایج سرطان آموزش داده شده بود ، به جای بیولوژی تومور بیمار، در بیمارستانی که تصویر تومور گرفته شده بود، به صفر می ‌رسید . محققان هشدار دادند اگرچه از این الگوریتم در هیچ تنظیمات پزشکی استفاده نمی‌شود، اما سایر ابزارهایی که به همین روش آموزش داده شده‌اند می‌توانند همان عدم دقت را داشته باشند.

کاربرد هوش مصنوعی در تجزیه و تحلیل تصاویر سرطان

زمینه تصویربرداری رادیوگرافی انکولوژیک، هوش مصنوعی برای تشخیص و درمان استفاده می شود. تشخیص به کمک رایانه از گذشته برای تصویربرداری سرطان پستان استفاده شده است، اما ارزش بالینی بالایی را نشان نداده است. از این رو، تصویربرداری سرطان سینه یک هدف اصلی برای تشخیص سرطان مبتنی بر هوش مصنوعی بوده است.

به عنوان مثال، مدل ‌های مبتنی بر هوش مصنوعی در حال حاضر به طور معمول بخشی از تصویربرداری پستان هستند و به صورت بالینی در بسیاری از اقدامات مورد استفاده قرار می‌ گیرند. حداقل پنج الگوریتم تشخیص  و تصویربرداری از پستان تایید شده توسط سازمان غذا و داروی ایالات متحده وجود دارد. علاوه بر سرطان سینه  تشخیص مبتنی بر هوش مصنوعی در حال حاضر برای انواع مختلف تومورها استفاده می شود.

به عنوان مثال، در سرطان پروستات، MRI  چند پارامتری برای افزایش تشخیص بدخیمی مرتبط بالینی شناخته شده است، اما چالش‌هایی مانند تنوع بین مشاهده‌ گر باقی می ‌ماند. تشخیص مبتنی بر هوش مصنوعی پتانسیل غلبه بر این چالش‌ ها را از طریق الگوریتم‌های ML دارد، و الگوریتم‌های تجاری موجود برای تقسیم‌ بندی پروستات، تشخیص ضایعه و یکپارچه‌ سازی جریان کار وجود دارد.

الگوریتم‌ های تصویربرداری مبتنی بر هوش مصنوعی نیز در عمل بالینی برای شناسایی و ردیابی ضایعات سرطانی بالقوه و هدایت مدیریت استفاده می‌ شوند. به عنوان مثال، یک برنامه نرم افزاری تایید شده توسط سازمان غذا و داروی ایالات متحده در حال حاضر امکان تشخیص و ردیابی جامع ندول های ریوی، پیش بینی بدخیمی ریه در بین ضایعات شناسایی شده در تصاویر CT با دوز پایین، و ادغام دستورالعمل های مدیریتی را می دهد.

شبکه‌ های عصبی عمیق نیز برای تشخیص بزرگ شدن غدد لنفاوی یا پولیپ‌های کولون در تصاویر CT و افزایش تشخیص پولیپ روده بزرگ در طول کولونوسکوپی با یک سیستم تشخیص سریع کامپیوتری DL که توسط سازمان غذا و داروی ایالات متحده تأیید شده است توسعه داده شده‌اند.

مدل‌ های تصویربرداری مبتنی بر هوش مصنوعی نیز برای شناسایی تومور استفاده می ‌شوند. خصوصیات ممکن است شامل تقسیم‌ بندی آناتومیک تومورها باشد که به نرم ‌افزار اجازه می ‌دهد مرزهای بافت بیمار را در بین آناتومی طبیعی شناسایی کند، و طبقه‌ بندی زیرنوع تومور، که از سرنخ‌هایی در شدت سیگنال، بافت، شکل و سایر توصیف‌کننده‌ها برای تشخیص استفاده می‌کند.

بخش‌بندی دو بعدی یا حجمی ممکن است در عمل بالینی برای تصمیم ‌گیری ‌های درمانی مانند برنامه‌ ریزی تابش استفاده شود. با این حال، تنوع بین مشاهده ‌گر در تقسیم‌ بندی دستی تومور وجود دارد. الگوریتم های مبتنی بر هوش مصنوعی این پتانسیل را دارند که بر این سوگیری ها غلبه کنند. یکی از این محصولات، محصول مورد تایید سازمان غذا و داروی ایالات متحده است که متاستازهای مغزی را شناسایی کرده و برای جراحی رادیو تاکتیک و استریوتاکتیک تقسیم بندی می کند.

حاشیه نویسی داده های امتحانات، مانند اسکن تصویربرداری سی تی، می تواند واحدهای حجمی یا وکسل هایی را ایجاد کند که شبیه به پیکسل های سه بعدی هستند. این برون یابی داده ها می تواند به بینش های مبتنی بر بینایی رایانه ای منجر شود که با چشم غیر مسلح قابل درک نیستند. تجزیه و تحلیل رادیومیک شامل استخراج خودکار اطلاعات بالینی مرتبط از تصاویر رادیولوژیک است و می توان از آن برای ایجاد نشانگرهای زیستی رادیومیک از طریق اعتبار سنجی بیولوژیکی امضاهای رادیومیک با استفاده از داده های ژنتیکی، بافت شناسی و دیگر اشکال داده های همبستگی استفاده کرد.