تومورهای متاستاتیک، سلول‌هایی سرطانی هستند که از بافت مبدأ خود جدا شده، از طریق جریان خون یا لنف درون بدن جابه‌جا شده و تومورهای جدیدی را در سایر بخش‌های بدن شکل می‌دهند. تشخیص این تومورها بسیار دشوار است. در سال ۲۰۰۹، تحقیقی که روی ۱۰۲ بیمار مبتلا به سرطان سینه در دو مرکز خدمات سلامت بوستون صورت گرفته بود، نشان داد که از هر چهار بیمار، پروسه‌ی درمانی یک بیمار به‌دلیل معاینات فیزیکی ناکافی و تست‌های تشخیصی ناکامل با شکست همراه میشود.
سرطان سینه در جهان، جان بیش از نیم میلیون نفر را گرفته که حدود ۹۰٪ این مرگ‌ها، به دلیل متاستاز بوده است. موضوع عنوان‌شده یکی از دلایل عمده‌ی این مسئله است. اما محققین مرکز پزشکی ناوال (Naval Medical Center) در سن دیگو و گوگل ای‌آی (Google AI)، شاخه‌ای از گوگل که به تحقیقات هوش مصنوعی اختصاص دارد، راه‌حلی امیدوارکننده توسعه داده‌اند. آن‌ها از الگوریتم‌های تشخیص سرطان استفاده کرده‌‌اند؛ این الگوریتم‌ها، توانایی ارزیابی خودکار بیوپسی (نمونه‌ی بافتی) گره‌های لنفاوی را دارند.
مقاله‌های مرتبط:
این سیستم هوش مصنوعی که دستیار گره لنفاوی(Lymph Node Assistant یا به اختصار LYNA) نام دارد، در مقاله‌ای تحت عنوان «تشخیص متاستاز لنفاوی سرطان سینه مبتنی بر هوش مصنوعی» و در ژورنال «The American Journal of Surgical Pathology» منتشر شده است. منحنی مشخصه عملکرد سیستم (receiver operating characteristic)، روشی در فیزیک پزشکی و علوم تصویری است که هدف آن ارزیابی دقیق توانایی آسیب‌شناسی یک سامانه بوده و معیاری برای سنجش دقت تشخیص است. در تست‌ها، LYNA موفق شد که به دقت ۹۹٪ دست یابد. این دقت بسیار فراتر از پاتولوژیست‌های (آسیب‌شناس) انسانی است که در تشخیص متاستازهای کوچک در لام‌های جداگانه با محدودیت زمانی تا ۶۲٪ مرتکب خطا می‌شوند.
هوش مصنوعی قادر به ارزیابی جامع تمامی بافت روی یک لام است. ما یک چارچوب کاری به پاتولوژیست‌ها ارائه می‌دهیم تا از هوش مصنوعی در ارزیابی‌ها و کار خود بهره ببرند (با توجه به نحوه‌ی ارزیابی نتایج ایمونوهیستوشیمی (Immunohistochemistry یا بافت‌شیمی ایمنی) توسط پاتولوژیست)
LYNA مبتنی بر اینسپشن نسخه سوم، یک مدل یادگیری عمیق تشخیص تصویر متن‌باز است. اینسپشن در دیتاست ImageNet استنفورد به دقت بالای ۷۸.۱ درصد دست یافته است. طبق توضیح محققان، این سیستم یک تصویر ۲۹۹ پیکسلی را به‌عنوان ورودی دریافت (اندازه‌ی پیش‌فرض ورودی در Inception-v3)، تومورها را در سطح پیکسلی متمایز، برچسب‌ها (مانند پیش‌بینی‌ها) را استخراج («خوش‌خیم» یا «تومور») و وزن الگوریتمی مدل را تنظیم می‌کند تا خطا کاهش یابد.
تیم توسعه‌دهنده، الگوریتم‌های قبلی را با استفاده از راهکارهایی بهبود داده‌اند. از جمله این راهکارها می‌توان به نسبت ۴:۱ بافت سالم به تومور و افزایش «کارایی محاسباتی» روند یادگیری اشاره کرد که منجر به «دید» بهتر انواع بافت‌ها شده است. علاوه‌بر این، تیم توسعه‌دهنده با نرمال‌سازی تغییرات لام‌های بیوپسی، توانستند کارایی مدل را تا حد زیادی بهبود بخشند.
راست: LYNA پس از شناسایی منطقه‌ی تومور / چپ: یک لام شامل یک غده لنفاوی
محققین، LYNA را در چالش متاستازهای سرطان در گره‌های لنفاوی سال ۲۰۱۶ (Camelyon16) شرکت‌دادند. در این چالش مجموعه‌ای از ۳۹۹ لام از برش مقطعی گره‌های لنفاوی تهیه‌شده در دانشگاه رادبود (Radboud) و دانشگاه اوترخت (Utrecht) و یک مجموعه‌ی جداگانه شامل ۱۰۸ تصویر از ۲۰ بیمار مورد استفاده قرار گرفت. محققین ۲۷۰ لام را به LYNA یاد داده (۱۶۰ لام سالم و ۱۱۰ لام توموری) و در دو مرحله (یکی شامل ۱۲۹ لام و دیگری ۱۰۸ لام)، عملکرد هوش مصنوعی خود را مورد ارزیابی قرار دادند.
در تست‌ها، LYNA به دقت ۹۹.۳ درصدی دست پیدا کرد. هنگامی که آستانه‌ی حساسیت مدل برای تشخیص تمامی تومورها در تمامی لام‌ها تنظیم شد، مدل ۶۹ درصد حساسیت از خود نشان داده و تمامی ۴۰ متاستاز را به‌طور کاملا دقیق و بدون هیچ مورد مثبت کاذبی، تشخیص داد. علاوه‌بر آن، مدل مشکلی با آرتیفکت‌های لام مانند حباب‌های هوا، آماده‌سازی ضعیف، خون‌ریزی و رنگ‌آمیزی بیش از حد نداشت.
LYNA بی نقص نیست. این هوش مصنوعی بعضی مواقع در تشخیص غول‌یاخته‌ها (giant cell)،سرطان سلول‌های زایا (germinal) و گلبول‌های سفید مشتق‌شده از مغز استخوان که هیستوسایت(histocyte) نام دارند، دچار مشکل می‌شد. با این حال عملکرد بهتری از یک پاتولوژیست داشت. در مقاله دومی که توسط Google AI و Verily (بخش علوم زیستی شرکت مادر گوگل، آلفابت) منتشر شد، این مدل در نصف زمان مورد نیاز توسط ۶ پاتولوژیست خبره توانست متاستازهای گره‌های لنفاوی را تشخیص دهد.
تحقیقات بیشتر در آینده نشان خواهد داد که آیا این الگوریتم، زمان و دقت تشخیص را بهبود می‌بخشد یا خیر.
[لینا] حساسیتی بالاتر و عملکردی قابل قیاس با پاتولوژیست‌ها دارد. این تکنیک‌ها احتمالاً با کمک شناسایی مورفولوژیک (ریخت‌شناسانه) سلول‌های سرطانی، کارایی پاتولوژیست را بهبود بخشیده و از تعداد منفی‌های کاذب می‌کاهد.
درباره این سایت