محققان MIT CSAIL مدل های پیشرفته یادگیری ماشینی را توسعه می دهند که از روش های فعلی در تشخیص آدنوکارسینوم مجرای پانکراس بهتر عمل می کند.
درسته که اولین مورد ثبت شده سرطان پانکراس به قرن هجدهم برمی‌گردد. از آن زمان، پژوهشگران یک مسیر دراز و چالش‌برانگیز را طی کرده‌اند تا بیماری مرموز و مهلک را درک کنند. تاکنون، هیچ درمانی برتر از مداخله زودهنگام برای سرطان وجود ندارد. متأسفانه، پانکراس که در اعماق شکم قرار دارد، برای شناسایی زودهنگام به ویژه دشوار است.


دانشمندان Laboratori علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) همراه با لیمور اپلبائوم، دانشمند پژوهشی در دپارتمان پرتوشناسی در مرکز پزشکی Beth Israel Deaconess (BIDMC)، خواستند بیشتر بیماران با خطر بالا را بهتر شناسایی کنند. آن‌ها تصمیم به توسعه دو مدل یادگیری ماشین برای شناسایی زودهنگام سرطان غده مراره (PDAC)، رایج‌ترین شکل این بیماری، گرفتند. برای دسترسی به یک پایگاه داده گسترده و متنوع، تیم با یک شرکت شبکه فدرال (federated network) هماهنگ شد و از داده‌های سوابق پزشکی الکترونیکی از مختلف مؤسسات در سراسر ایالات متحده استفاده کرد. این استخر وسیع از داده‌ها به تضمین قابلیت اعتبار و قابل تعمیم مدل‌ها کمک کرد و آنها را قابل استفاده در طیف وسیعی از جمعیت‌ها، مکان‌ها و گروه‌های جمعیتی کرد.
دو مدل – شبکه عصبی “PRISM” و مدل رگرسیون لجستیک (یک تکنیک آماری برای احتمال) – عملکرد بهتری نسبت به روش‌های فعلی داشتند. مقایسه تیم نشان داد که در حالی که معیارهای اسکرینینگ استاندارد حدود 10 درصد از موارد PDAC را با استفاده از یک آستانه ریسک نسبی پنج برابر بالاتر تشخیص می‌دهند، Prism می‌تواند 35 درصد از موارد PDAC را در همان آستانه تشخیص دهد.
استفاده از هوش مصنوعی برای شناسایی خطر سرطان یک پدیده جدید نیست – الگوریتم‌ها مموگرافی، اسکن CT برای سرطان ریه، و کمک به تجزیه و تحلیل آزمون Pap و آزمون HPV، از جمله برنامه‌های کاربردی هستند. “مدل‌های PRISM به خاطر توسعه و اعتبار‌سنجی بر روی یک پایگاه داده گسترده با بیش از 5 میلیون بیمار، تجاوز به مقیاس بسیاری از تحقیقات گذشته در این زمینه دارند”، می‌گوید کای جیا، دانشجوی دکترای موسسه فناوری ماساچوست (MIT) در مهندسی برق و علوم کامپیوتر (EECS) و نویسنده نخست مقاله در eBioMedicine که کار جدید را شرح داده است. “این مدل از داده‌های بالینی و آزمایشگاهی روزمره برای پیش‌بینی‌های خود استفاده می‌کند و تنوع جمعیت آمریکا یک پیشرفت مهم نسبت به مدل‌های دیگر PDAC است که معمولاً به مناطق جغرافیایی خاص محدود هستند. همچنین، استفاده از یک تکنیک منحصر به فرد در فرآیند آموزش، قابلیت عمومی و تفسیر پذیری مدل‌ها را افزایش داده است.”
“این گزارش یک رویکرد قدرتمند برای استفاده از داده‌های بزرگ و الگوریتم‌های هوش مصنوعی به منظور بهبود رویکردهای ما به شناسایی پروفایل‌های خطر سرطان را نشان می‌دهد”، می‌گوید دیوید آویگان، استاد دانشکده پزشکی هاروارد و مدیر مرکز سرطان و رئیس هماتولوژی و بیماری‌های خونی در BIDMC که در مطالعه شرکت نکرده است. “این رویکرد ممکن است منجر به استراتژی‌های نوین برای شناسایی بیماران با خطر بالای ممکن است از اسکرینینگ متمرکز با قابلیت مداخله زودهنگام بهره‌مند شوند.”

منبع: اکسپلورای