ایسنا/ روزی که تشخیص زودهنگام سرطان بتواند با دقت بالا و در زمانی کوتاه انجام شود، جان بسیاری از بیماران نجات پیدا خواهد کرد. حالا پژوهشی جدید گامی بلند در این مسیر برداشته است.

سرطان پروستات یکی از شایع‌ترین بیماری‌ها در میان مردان است. طبق آمارهای جهانی، این بیماری پس از سرطان ریه در رتبه دوم از نظر شیوع قرار دارد و حدود ۱۳.۵ درصد از موارد ابتلا به سرطان در مردان را تشکیل می‌دهد. غده پروستات که زیر مثانه و روبه‌روی روده بزرگ قرار دارد، نقش مهمی در سیستم تولیدمثل مردان ایفا می‌کند. با افزایش سن، به‌ویژه پس از پنجاه‌سالگی، اندازه این غده معمولاً بزرگ می‌شود که می‌تواند باعث بروز مشکلاتی شود. خطرناک‌ترین بیماری مربوط به این ناحیه، سرطان پروستات است که در آن سلول‌های غیرعادی در بافت این غده شکل می‌گیرند. این بیماری معمولاً به‌آرامی پیشرفت می‌کند و ممکن است تا سال‌ها علائم مشخصی نداشته باشد، اما در صورت تشخیص دیرهنگام، می‌تواند به سایر اندام‌ها مانند مثانه و روده بزرگ سرایت کند.

برای درمان مؤثر این بیماری، تشخیص به‌موقع و دقیق درجه شدت آن بسیار اهمیت دارد. یکی از روش‌های رایج برای تشخیص این بیماری، آزمایش آنتی‌ژن اختصاصی پروستات (PSA) است که در صورت بالا بودن آن، احتمال ابتلا به سرطان مطرح می‌شود. البته این آزمایش به‌تنهایی کافی نیست، زیرا عوامل دیگری نیز ممکن است باعث افزایش این آنتی‌ژن شوند. بنابراین، در کنار آن از روش‌های دقیق‌تری مثل نمونه‌برداری از بافت پروستات و بررسی آن زیر میکروسکوپ استفاده می‌شود. در این بررسی‌ها، شدت بیماری با استفاده از روشی به نام «درجه‌بندی گلیسون» مشخص می‌شود. این روش عددی بین ۶ تا ۱۰ را به بافت سرطانی اختصاص می‌دهد که هرچه این عدد بالاتر باشد، خطرناک‌تر بودن سرطان را نشان می‌دهد. این سیستم که از دهه ۱۹۶۰ مورد استفاده قرار گرفته، در سال‌های اخیر با اصلاحات مهمی بهبود یافته است.

سجاد محمدزاده، پژوهشگر دانشکده مهندسی برق و کامپیوتر دانشگاه بیرجند، همراه با دو همکار دیگر از همین دانشگاه، مطالعه‌ای را در این خصوص انجام داده‌اند. آن‌ها برای تشخیص دقیق‌تر درجه بدخیمی سرطان پروستات در تصاویر میکروسکوپی بافت، از ترکیبی از مدل‌های پیشرفته هوش مصنوعی استفاده کرده‌اند که بر پایه شبکه‌های عصبی عمیق طراحی شده‌اند. این شبکه‌ها، در اصل سیستم‌هایی شبیه مغز انسان هستند که می‌توانند الگوهای پیچیده را در داده‌های تصویری تشخیص دهند.

در این پژوهش، پژوهشگران سه مدل مختلف از شبکه‌های یادگیری عمیق را با هم ترکیب کردند. این مدل‌ها ابتدا با مجموعه‌ای از تصاویر آموزشی آموزش داده شدند و سپس برای بررسی دقیق‌تر تصاویر پاتولوژی (تصاویر بافت زیر میکروسکوپ) به‌کار گرفته شدند. در مرحله بعد، تصاویر آزمایشی به این شبکه‌ها داده شد و نتیجه‌های به‌دست‌آمده از آن‌ها با دو روش «رأی‌گیری اکثریت» و «میانگین‌گیری» با هم ترکیب شد تا تصمیم نهایی گرفته شود. این روش ترکیبی باعث شد که خطای سیستم کاهش یابد و دقت آن به طرز چشمگیری افزایش پیدا کند.

نتایج این پژوهش نشان دادند که روش پیشنهادی با استفاده از ترکیب سه شبکه عصبی، توانسته دقت تشخیص را به بیش از ۹۷ درصد برساند. در حالت استفاده از روش میانگین‌گیری، دقت تشخیص حدود ۹۷.۳۳ درصد و در حالت رأی‌گیری اکثریت حدود ۹۷.۲ درصد به دست آمد. این میزان دقت نسبت به روش‌های قبلی که اغلب دقتی پایین‌تر از ۹۳ درصد داشتند، پیشرفت قابل توجهی محسوب می‌شود.

علاوه بر دقت بالا، این روش از نظر قابلیت دسته‌بندی تصاویر نیز بسیار مؤثر بوده است. برخلاف بسیاری از پژوهش‌های قبلی که تنها میان دو حالت «سالم» و «سرطانی» تفاوت قائل می‌شدند، این پژوهش توانسته تصاویر را به پنج دسته مختلف تقسیم کند که با درجات متفاوتی از بدخیمی مطابقت دارند. این دقت در طبقه‌بندی، به پزشکان کمک می‌کند تا تصمیم‌گیری‌های درمانی را با اطلاعات دقیق‌تری انجام دهند.

مقایسه این روش با روش‌های پیشین نیز نشان داد که ترکیب مدل‌ها در سطح تصمیم‌گیری (یعنی پس از انجام طبقه‌بندی توسط هر شبکه به‌صورت مستقل) عملکرد بهتری نسبت به ترکیب آن‌ها در مراحل ابتدایی مانند استخراج ویژگی دارد. در واقع، این رویکرد باعث شد تا نقاط ضعف هر یک از مدل‌ها با تصمیم نهایی گروهی پوشش داده شود. همچنین روشن شد که در مقایسه با شبکه‌های ساده‌تر یا روش‌های آماری، شبکه‌های عصبی عمیق قابلیت بیشتری برای تشخیص ویژگی‌های مهم بافت دارند.

گفتنی است این یافته‌های علمی‌پژوهشی در «فصلنامه رایانش نرم و فناوری اطلاعات» که زیر نظر دانشگاه صنعتی نوشیروانی بابل فعالیت می‌کند، منتشر شده‌اند. نشریه فوق به انتشار پژوهش‌های نوین در زمینه فناوری اطلاعات و علوم رایانه اختصاص دارد.