محققان با استفاده از یک رویکرد جدید «یادگیری زمانی»( temporal learning) در «هوش مصنوعی» که چندین تصویر پس از درمان را پردازش می‌کند، عملکرد این سامانه را به طور قابل توجهی بهبود بخشیدند.

به نقل از اس‌تی‌دی، این رویکرد، نویدبخش کاهش تصویربرداری غیر ضروری و اضطراب خانواده‌هاست. این سامانه قابلیت مداخله زودهنگام و هدفمندتر در مواقع خطر عود تومور را دارد.

دانشمندان پیش‌بینی می‌کنند که آزمایش‌های بالینی، اثربخشی این سامانه را تأیید کنند.

قابلیت هوش مصنوعی در تشخیص تومور مغزی کودکان

«هوش مصنوعی» برای بررسی مجموعه‌های تصاویر پزشکی بسیار ارزشمند است و اغلب، الگوهایی را کشف می‌کند که ممکن است توسط متخصصان انسانی نادیده گرفته شوند. «هوش مصنوعی» این پتانسیل را دارد نحوه نظارت پزشکان بر کودکان با بیماری «گلیوما»(glioma) را بهبود بخشد.

«گلیوما» نوعی تومور مغزی است که عموماً قابل درمان است، اما گاهی اوقات پس از درمان می‌تواند عود کند.

محققان بیمارستان ماساچوست با همکاری بیمارستان کودکان بوستون و مرکز سرطان و اختلالات خونی کودکان «دانا- فاربر»(Dana-Farber)، یک سامانه یادگیری عمیق را توسعه داده‌اند که مجموعه‌ای از اسکن‌های مغزی گرفته شده پس از درمان را بررسی می‌کند.

این «هوش مصنوعی» برای شناسایی علائم اولیه بازگشت تومور، آموزش دیده است.

چالش پیش‌بینی عود بیماری

دکتر «بنجامین کان»(Benjamin Kann)، نویسنده و سرپرست برنامه «هوش مصنوعی در پزشکی»(AIM)، می‌گوید: بسیاری از «گلیوماهای» کودکان تنها با جراحی قابل درمان هستند، اما وقتی عود می‌کنند، می‌توانند ویرانگر باشند.

وی افزود: پیش‌بینی اینکه چه کسی ممکن است در معرض خطر عود باشد، بسیار دشوار است، بنابراین بیماران سال‌ها تحت پیگیری‌های مکرر با تصویربرداری MRI قرار می‌گیرند. این فرآیند می‌تواند برای کودکان و خانواده‌ها تنش‌زا باشد. ما به ابزارهای بهتری برای شناسایی زودهنگام بیمارانی که در معرض بیشترین خطر عود هستند، نیاز داریم.

تلاشی همگانی برای آموزش هوش مصنوعی

از آنجا که سرطان‌های کودکان نسبتاً نادر هستند، مطالعاتی مانند این اغلب به دلیل داده‌های محدود با چالش‌هایی روبرو هستند. پژوهشگران برای غلبه بر این مشکل با مؤسساتی در سراسر ایالات متحده همکاری کردند و مجموعه‌ای از داده‌ها را که شامل ۴۰۰۰ اسکن MRI از ۷۱۵ کودک است، جمع‌آوری کنند.

آنها برای بهره‌برداری هرچه بیشتر از این داده‌ها از رویکردی موسوم به «یادگیری زمانی» استفاده کردند. این رویکرد، «هوش مصنوعی» را آموزش می‌دهد تا با بررسی چگونگی تغییر اسکن‌های مغزی کودک در مدت زمان پس از جراحی، الگوها را تشخیص دهد و توانایی آن را در پیش‌بینی عود بیماری بهبود بخشد.

یادگیری زمانی در تصویربرداری پزشکی

معمولاً مدل‌های «هوش مصنوعی» برای تصویربرداری پزشکی و نتیجه‌گیری از اسکن‌های منفرد آموزش داده می‌شوند. این سامانه با رویکرد «یادگیری زمانی» در تصاویر به دست آمده می‌تواند الگوریتمی از عود سرطان را پیش‌بینی کند.

محققان برای توسعه رویکرد «یادگیری زمانی»، ابتدا مدل را آموزش دادند تا اسکن‌های MRI پس از جراحی بیمار را به ترتیب زمانی مرتب کند تا بتواند تغییرات کوچک را تشخیص دهد. سپس محققان تنظیمات مدل را به‌روزرسانی کردند تا تغییرات را با عود سرطان به درستی مرتبط کند.

افزایش دقت با یادگیری زمانی

در نهایت، محققان دریافتند که مدل «یادگیری زمانی»، عود گلیومای درجه پایین یا بالا را تا یک سال پس از درمان، با دقت ۷۵ تا ۸۹ درصد پیش‌بینی می‌کند.

ارائه تصاویر پس از درمان به «هوش مصنوعی»، دقت پیش‌بینی این سامانه را افزایش داد.

به سوی پیاده‌سازی بالینی و آزمایش‌های آینده

محققان می‌گویند که اعتبارسنجی بیشتری در تنظیمات این سامانه قبل از کاربرد بالینی ضروری است.

آنها امیدوارند آزمایش‌های بالینی را آغاز کنند تا ببینند آیا پیش‌بینی‌های «هوش مصنوعی» می‌تواند منجر به بهبود مراقبت‌ها شود یا خیر. این پیش‌بینی‌ها می‌تواند با کاهش دفعات تصویربرداری برای بیماران کم‌خطر یا با درمان پیشگیرانه بیماران پرخطر منجر به بهبود مراقبت‌ها شود.

پتانسیل گسترده هوش مصنوعی

«دیویانشو تاک»(Divyanshu Tak)، نویسنده ارشد این مطالعه در بیمارستان عمومی ماساچوست گفت: ما نشان داده‌ایم که «هوش مصنوعی» قادر به بررسی مؤثر و پیش‌بینی از تصاویر متعدد است. این تکنیک ممکن است در بسیاری از محیط‌هایی که بیماران تصویربرداری‌های مکرر و متوالی انجام می‌دهند، اعمال شود و ما هیجان‌زده‌ایم که ببینیم این پروژه الهام‌بخشی چه مسائلی خواهد بود.

این یافته‌ها در The New England Journal of Medicine AI منتشر شده است.