محققان UCLA یک سیستم هوش مصنوعی ایجاد کرده اند که می تواند به آسیب شناسان کمک کند تا نمونه برداری ها را دقیق تر بخوانند و بتوانند سرطان پستان را بهتر آشکار کنند و تشخیص دهند.
سیستم جدید ، که در مطالعه‌ای منتشر شده در JAMA Network Open شرح داده شده است ، به تفسیر تصاویر پزشکی استفاده شده در تشخیص سرطان پستان که طبقه بندی آن برای چشم انسان می تواند دشوار باشد ، کمک می کند و تقریباً به همان اندازه دقیق یا بهتر از آسیب شناسان با تجربه عمل می کند.
دکتر جوآن المور ، نویسنده ارشد این مطالعه و استاد پزشکی در دانشکده پزشکی دیوید گفن در UCLA گفت: "به دست آوردن یک تشخیص صحیح از ابتدا بسیار مهم است به گونه ای که بتوانیم بیماران را به سمت مؤثرترین درمان ها راهنمایی کنیم."
یک مطالعه سال 2015 به رهبری المور دریافت که آسیب شناسان غالباً در تفسیر نمونه برداری های پستان که هر ساله بر روی میلیون ها زن انجام می شود ، اختلاف نظر دارند. آن تحقیقات اولیه آشکار کرد که در هر یک از شش زن مبتلا به سرطان مجرا در محل اصلی (نوع غیر تهاجمی سرطان پستان) خطاهای تشخیصی رخ داده است ، و این که در نزدیک به نیمی از موارد نمونه برداری آتیپی پستان (سلول های غیرطبیعی که با خطر بالاتر سرطان پستان همراه هستند) تشخیص های نادرست داده شده است.
المور ، که همچنین محققی در مرکز جامع سرطان جانسون UCLA است ، گفت: "تصاویر پزشکی از نمونه برداری های پستان حاوی داده های پیچیده زیادی است و تفسیر آنها می تواند خیلی شخصی باشد." "تشخیص آتیپی پستان از سرطان مجرا در محل اصلی از نظر بالینی مهم است اما برای آسیب شناسان بسیار چالش برانگیز است. بعضی اوقات ، پزشکان حتی موافق با تشخیص قبلی خودشان نیستند وقتی یک سال بعد همان مورد به آنها نشان داده می شود."
دانشمندان استدلال کردند که هوش مصنوعی می تواند به گونه ای نامتناقض خوانش های دقیق تری را فراهم کند ، زیرا با کشیدن از یک مجموعه داده بزرگ ، سیستم می تواند الگوهای موجود در نمونه هایی را که همراه با سرطان هستند ، تشخیص دهد اما دیدن آن ها برای انسان دشوار است.
این تیم 240 تصویر نمونه برداری پستان را به یک رایانه منتقل کردند و به آن آموزش دادند که الگوهای مرتبط با چندین نوع ضایعه پستان را تشخیص دهند ، از سرطان های خوش خیم (غیر سرطانی) و آتیپی گرفته تا سرطان مجرا در محل اصلی یا DCIS و سرطان مهاجم پستان. به طور جداگانه ، تشخیص صحیح برای هر تصویر با یک اجماع بین سه آسیب شناس متخصص تعیین شد.
محققان برای تست سیستم ، قرائت های آن را با تشخیص های مستقلی که توسط 87 متخصص آسیب شناسی آمریکا انجام شده است ، مقایسه کردند. در حالی که برنامه هوش مصنوعی در تمایز سرطان از موارد غیرسرطانی نزدیک می شد که عملکردی به خوبی عملکرد پزشکان انسانی داشته باشد ، به هنگام تمایز DCIS از آتیپی – که بزرگترین چالش در تشخیص سرطان پستان محسوب می شود – برنامه هوش مصنوعی بهتر از پزشکان عمل می کرد. این سیستم ، بیشتر از آنچه پزشکان انجام می دهند ، به درستی تعیین می کرد که آیا اسکن ها بیشتر DCIS را نشان می دهند یا آتیپی. این حساسیت بین 88/0 و 89/0 بود ، در حالی که میانگین حساسیت پاتولوژیست ها 70/0 بود. (نمره حساسیت بالاتر نشان می دهد احتمال بیشتری وجود دارد که تشخیص و طبقه بندی صحیح باشد.)
المور گفت: "این نتایج بسیار دلگرم کننده است." وی گفت: "هنگام تشخیص بیماری آتیپی و سرطان مجرا در محل اصلی ، در بین پاتولوژیست های عملی در ایالات متحده دقت کمی وجود دارد و رویکرد خودکار مبتنی بر رایانه نوید خوبی را ارائه می دهد."
محققان اکنون در حال کار روی آموزش سیستم برای تشخیص ملانوما هستند.
اژگی مرکان از بیمارستان کودکان سیاتل اولین نویسنده این مطالعه است. نویسندگان دیگر ساچین مهتا و لیندا شاپیرو از دانشگاه واشنگتن ، جامن بارتلت از مشاوران آسیب شناسی اوهایو جنوبی و دونالد ویور از دانشگاه ورمونت هستند.
سیستم جدید ، که در مطالعه‌ای منتشر شده در JAMA Network Open شرح داده شده است ، به تفسیر تصاویر پزشکی استفاده شده در تشخیص سرطان پستان که طبقه بندی آن برای چشم انسان می تواند دشوار باشد ، کمک می کند و تقریباً به همان اندازه دقیق یا بهتر از آسیب شناسان با تجربه عمل می کند.
دکتر جوآن المور ، نویسنده ارشد این مطالعه و استاد پزشکی در دانشکده پزشکی دیوید گفن در UCLA گفت: "به دست آوردن یک تشخیص صحیح از ابتدا بسیار مهم است به گونه ای که بتوانیم بیماران را به سمت مؤثرترین درمان ها راهنمایی کنیم."
یک مطالعه سال 2015 به رهبری المور دریافت که آسیب شناسان غالباً در تفسیر نمونه برداری های پستان که هر ساله بر روی میلیون ها زن انجام می شود ، اختلاف نظر دارند. آن تحقیقات اولیه آشکار کرد که در هر یک از شش زن مبتلا به سرطان مجرا در محل اصلی (نوع غیر تهاجمی سرطان پستان) خطاهای تشخیصی رخ داده است ، و این که در نزدیک به نیمی از موارد نمونه برداری آتیپی پستان (سلول های غیرطبیعی که با خطر بالاتر سرطان پستان همراه هستند) تشخیص های نادرست داده شده است.
المور ، که همچنین محققی در مرکز جامع سرطان جانسون UCLA است ، گفت: "تصاویر پزشکی از نمونه برداری های پستان حاوی داده های پیچیده زیادی است و تفسیر آنها می تواند خیلی شخصی باشد." "تشخیص آتیپی پستان از سرطان مجرا در محل اصلی از نظر بالینی مهم است اما برای آسیب شناسان بسیار چالش برانگیز است. بعضی اوقات ، پزشکان حتی موافق با تشخیص قبلی خودشان نیستند وقتی یک سال بعد همان مورد به آنها نشان داده می شود."
دانشمندان استدلال کردند که هوش مصنوعی می تواند به گونه ای نامتناقض خوانش های دقیق تری را فراهم کند ، زیرا با کشیدن از یک مجموعه داده بزرگ ، سیستم می تواند الگوهای موجود در نمونه هایی را که همراه با سرطان هستند ، تشخیص دهد اما دیدن آن ها برای انسان دشوار است.
این تیم 240 تصویر نمونه برداری پستان را به یک رایانه منتقل کردند و به آن آموزش دادند که الگوهای مرتبط با چندین نوع ضایعه پستان را تشخیص دهند ، از سرطان های خوش خیم (غیر سرطانی) و آتیپی گرفته تا سرطان مجرا در محل اصلی یا DCIS و سرطان مهاجم پستان. به طور جداگانه ، تشخیص صحیح برای هر تصویر با یک اجماع بین سه آسیب شناس متخصص تعیین شد.
محققان برای تست سیستم ، قرائت های آن را با تشخیص های مستقلی که توسط 87 متخصص آسیب شناسی آمریکا انجام شده است ، مقایسه کردند. در حالی که برنامه هوش مصنوعی در تمایز سرطان از موارد غیرسرطانی نزدیک می شد که عملکردی به خوبی عملکرد پزشکان انسانی داشته باشد ، به هنگام تمایز DCIS از آتیپی – که بزرگترین چالش در تشخیص سرطان پستان محسوب می شود – برنامه هوش مصنوعی بهتر از پزشکان عمل می کرد. این سیستم ، بیشتر از آنچه پزشکان انجام می دهند ، به درستی تعیین می کرد که آیا اسکن ها بیشتر DCIS را نشان می دهند یا آتیپی. این حساسیت بین 88/0 و 89/0 بود ، در حالی که میانگین حساسیت پاتولوژیست ها 70/0 بود. (نمره حساسیت بالاتر نشان می دهد احتمال بیشتری وجود دارد که تشخیص و طبقه بندی صحیح باشد.)
المور گفت: "این نتایج بسیار دلگرم کننده است." وی گفت: "هنگام تشخیص بیماری آتیپی و سرطان مجرا در محل اصلی ، در بین پاتولوژیست های عملی در ایالات متحده دقت کمی وجود دارد و رویکرد خودکار مبتنی بر رایانه نوید خوبی را ارائه می دهد."
محققان اکنون در حال کار روی آموزش سیستم برای تشخیص ملانوما هستند.
اژگی مرکان از بیمارستان کودکان سیاتل اولین نویسنده این مطالعه است. نویسندگان دیگر ساچین مهتا و لیندا شاپیرو از دانشگاه واشنگتن ، جامن بارتلت از مشاوران آسیب شناسی اوهایو جنوبی و دونالد ویور از دانشگاه ورمونت هستند.
روبات‌ها می‌توانند سرطان پستان و نیز رادیولوژیست‌ها را تشخیص دهند
مقاله‌ای جدید در ژورنال انستیتوی ملی سرطان نشان می دهد که سیستم های هوش مصنوعی ممکن است در ارزیابی ماموگرافی دیجیتالی در غربالگری سرطان پستان ، به دقت رادیولوژیست ها عمل کنند.
سرطان پستان شایعترین سرطان در زنان است و با وجود پیشرفت های مهم در درمان ، هنوز یک علت عمده مرگ و میر ناشی از سرطان است و تقریباً 500000 مرگ و میر سالانه در جهان ناشی از آن به حساب می آید. برنامه های غربالگری سرطان پستان با استفاده از ماموگرافی در کاهش مرگ و میر ناشی از سرطان پستان مؤثر است. تصاویر پزشکی از نمونه برداری های پستان حاوی داده های پیچیده زیادی است و تفسیر آنها می تواند خیلی شخصی باشد. لکن ، برنامه های غربالگری فعلی به دلیل تعداد زیاد زنانی که باید غربالگری شوند ، بسیار پرزحمت هستند. با توجه به کمبود روزافزون رادیولوژیست های غربالگری پستان در برخی کشورها ، بسیاری از محققان معتقدند که دیگر روش های غربالگری ممکن است ارزش تحقیقات داشته باشد.
از دهه 1990 ، سیستم های شناسایی رایانه ای به منظور شناسایی و طبقه بندی خودکار ضایعات پستان در ماموگرام ها ، توسعه یافته اند. با این حال ، هیچ مطالعه ای تا به امروز در نیافته است که این سیستم ها به طور مستقیم عملکرد غربالگری یا کارایی هزینه‌ای آن را بهبود می بخشند. این امر مانع از استفاده از آنها به عنوان روشی برای غربالگری ماموگرافی شده است.
لذا به گفته یکی از محققان، "قبل از این که بتوانیم تصمیم بگیریم که بهترین روش برای معرفی سیستم های هوش مصنوعی در حوزه غربالگری سرطان پستان با ماموگرافی چیست ، می خواستیم بدانیم که این سیستم ها واقعاً چقدر می توانند خوب باشند." "مشاهده این نکته جالب بود که این سیستم ها به سطح مطابقت عملکرد نه تنها رادیولوژیست ها ، بلکه حتی رادیولوژیست هایی می رسید که حداقل بخش قابل توجهی از وقت خود را صرف خواندن ماموگرافی های غربالگری می کردند."
منبع: دانشگاه کالیفرنیا - علوم سلامتی لس آنجلس و انتشارات دانشگاه آکسفورد USA
سرطان پستان شایعترین سرطان در زنان است و با وجود پیشرفت های مهم در درمان ، هنوز یک علت عمده مرگ و میر ناشی از سرطان است و تقریباً 500000 مرگ و میر سالانه در جهان ناشی از آن به حساب می آید. برنامه های غربالگری سرطان پستان با استفاده از ماموگرافی در کاهش مرگ و میر ناشی از سرطان پستان مؤثر است. تصاویر پزشکی از نمونه برداری های پستان حاوی داده های پیچیده زیادی است و تفسیر آنها می تواند خیلی شخصی باشد. لکن ، برنامه های غربالگری فعلی به دلیل تعداد زیاد زنانی که باید غربالگری شوند ، بسیار پرزحمت هستند. با توجه به کمبود روزافزون رادیولوژیست های غربالگری پستان در برخی کشورها ، بسیاری از محققان معتقدند که دیگر روش های غربالگری ممکن است ارزش تحقیقات داشته باشد.
از دهه 1990 ، سیستم های شناسایی رایانه ای به منظور شناسایی و طبقه بندی خودکار ضایعات پستان در ماموگرام ها ، توسعه یافته اند. با این حال ، هیچ مطالعه ای تا به امروز در نیافته است که این سیستم ها به طور مستقیم عملکرد غربالگری یا کارایی هزینه‌ای آن را بهبود می بخشند. این امر مانع از استفاده از آنها به عنوان روشی برای غربالگری ماموگرافی شده است.
لذا به گفته یکی از محققان، "قبل از این که بتوانیم تصمیم بگیریم که بهترین روش برای معرفی سیستم های هوش مصنوعی در حوزه غربالگری سرطان پستان با ماموگرافی چیست ، می خواستیم بدانیم که این سیستم ها واقعاً چقدر می توانند خوب باشند." "مشاهده این نکته جالب بود که این سیستم ها به سطح مطابقت عملکرد نه تنها رادیولوژیست ها ، بلکه حتی رادیولوژیست هایی می رسید که حداقل بخش قابل توجهی از وقت خود را صرف خواندن ماموگرافی های غربالگری می کردند."
منبع: دانشگاه کالیفرنیا - علوم سلامتی لس آنجلس و انتشارات دانشگاه آکسفورد USA
