مدلهای هوش مصنوعی چندوجهی که بر روی انواع مختلف دادهها آموزش دیدهاند، میتوانند به پزشکان در غربالگری دقیقتر بیمارانی که در معرض خطر ابتلا به سرطانهای مختلف هستند کمک کنند.
محققان بخش بریگهام و بیمارستان زنان دانشکده پزشکی دانشگاه هاروارد یک مدل یادگیری عمیق ایجاد کردند که قادر به شناسایی 14 نوع سرطان است. بیشتر الگوریتمهای هوش مصنوعی برای تشخیص علائم بیماری از یک منبع داده، مانند اسکنهای پزشکی، آموزش دیدهاند، اما این الگوریتم میتواند ورودیهایی را از چندین منبع دریافت کند.
پیش بینی اینکه آیا فردی در معرض خطر ابتلا به سرطان است همیشه به همین سادگی نیست، پزشکان اغلب مجبورند انواع مختلفی از اطلاعات مانند تاریخچه مراقبت های بهداشتی بیمار یا آزمایش های دیگری را برای تشخیص بیومارکرهای ژنتیکی انجام دهند.
فیصل محمود، استادیار که در بخش آسیب شناسی محاسباتی در Brigham and Women کار می کند، این نتایج می تواند به پزشکان کمک کند تا بهترین درمان را برای بیمار پیدا کنند، زیرا آنها بر پیشرفت بیماری نظارت می کنند، اما تفسیر آنها از داده ها می تواند ذهنی باشد. بیمارستان، توضیح داد.
متخصصان بسیاری از شواهد را تجزیه و تحلیل می کنند تا پیش بینی کنند که یک بیمار چقدر ممکن است خوب عمل کند. این معاینات اولیه مبنای تصمیم گیری در مورد ثبت نام در کارآزمایی بالینی یا رژیم های درمانی خاص می شود. اما این بدان معناست که این پیشبینی چندوجهی در سطح متخصص اتفاق میافتد. ما در حال تلاش برای حل این مشکل از طریق محاسباتی هستیم بیانیه.
محمود و همکارانش توضیح دادند که چگونه یک سیستم فراگیر، متشکل از الگوریتم های متعدد مبتنی بر یادگیری عمیق و آموزش دیده بر روی اشکال مختلف داده، می تواند تا 14 سرطان مختلف را تشخیص دهد. محققان از دادههای آموزشی The Cancer Genome Atlas (TCGA)، یک منبع عمومی حاوی دادههای مربوط به انواع مختلف سرطان که از بیش از 5,000 بیمار واقعی بهدستآمده است، و همچنین سایر منابع داده استفاده کردند.
ابتدا، نماهای میکروسکوپی بافت های سلولی از تصاویر کل اسلاید (WSIs) و داده های ژنومیک مبتنی بر متن برای آموزش دو مدل جداگانه استفاده شد. سپس این ها در یک سیستم واحد ادغام شدند تا پیش بینی کنند که آیا بیماران در معرض خطر بالا یا پایین ابتلا به انواع مختلف سرطان هستند. به گفته محققان، این مدل حتی ممکن است به دانشمندان کمک کند تا نشانگرهای ژنتیکی مرتبط با بیماری خاص را پیدا کنند یا تأیید کنند.
با استفاده از یادگیری عمیق، ادغام چندوجهی بیومارکرهای مولکولی و ویژگیهای مورفولوژیکی استخراجشده از WSIs کاربرد بالینی بالقوهای در بهبود دقت در طبقهبندی ریسک بیمار دارد، بلکه میتواند به کشف و اعتبارسنجی بیومارکرهای زیستی چندوجهی که اثرات ترکیبی بافتشناسی و بیومارکرهای ژنومی هستند کمک کند. این تیم در یک مقاله نوشت منتشر شده در سلول سرطان روز دوشنبه.
محمود گفت ثبت نام مطالعه حاضر اثباتی بر مفهوم استفاده از مدلهای چندوجهی برای پیشبینی خطر سرطان بود. او در پایان گفت: «ما باید این مدلها را با دادههای بسیار بیشتر آموزش دهیم، این مدلها را روی گروههای آزمایشی مستقل بزرگ آزمایش کنیم و مطالعات آیندهنگر و آزمایشهای بالینی را برای تعیین اثربخشی این مدلها در یک محیط بالینی انجام دهیم». ®