هوش مصنوعی مشابه ChatGPT برای تشخیص سرطان طراحی شد

01

از 06

آموزش و عملکرد هوش مصنوعی

آخرین کار این تیم بر اساس تحقیقات قبلی یو در سیستم‌های هوش مصنوعی برای ارزیابی سرطان روده بزرگ و تومورهای مغزی است.

این مطالعات قبلی امکان‌سنجی این رویکرد را در انواع خاص سرطان و وظایف خاص نشان داد.

هوش مصنوعی جدید که CHIEF (بنیاد ارزیابی تصویربرداری هیستوپاتولوژی بالینی) نام دارد، روی 15 میلیون تصویر بدون برچسب که در بخش‌های مورد علاقه محققان تقسیم شده بودند، آموزش داده شد.

سپس این ابزار روی 60000 تصویر اسلایدی از بافت‌ها از جمله ریه، سینه، پروستات، کولورکتال، معده، مری، کلیه، مغز، کبد، تیروئید، پانکراس، دهانه رحم، رحم، تخمدان، بیضه، پوست، بافت نرم، غده فوق کلیوی و مثانه آموزش داده شد.

آموزش هوش مصنوعی جدید برای نگاه کردن به بخش‌های خاص یک تصویر و کل تصویر به آن اجازه می‌دهد تا تغییرات خاص در یک منطقه را با زمینه کلی مرتبط کند.

به گفته محققان، این رویکرد CHIEF را قادر می‌سازد تا به جای تمرکز بر یک منطقه خاص، تصویر را با در نظر گرفتن یک زمینه وسیع‌تر تفسیر کند.

پس از آموزش، تیم عملکرد CHIEF را روی بیش از 19400 تصویر اسلایدی از 32 مجموعه داده مستقل جمع‌آوری شده از 24 بیمارستان و گروه بیماران در سراسر جهان آزمایش کرد.

به طور کلی، CHIEF در کارهای مانند: تشخیص سلول‌های سرطانی، شناسایی منبع تومور، پیش‌بینی نتایج بیمار و شناسایی وجود ژن‌ها و الگوهای DNA مرتبط با پاسخ درمانی، تا 36 درصد از سایر روش‌های پیشرفته هوش مصنوعی بهتر عمل کرد.

به دلیل آموزش همه کاره‌ آن، CHIEF بدون توجه به شیوه به دست آوردن سلول‌های تومور (چه از طریق نمونه‌برداری یا از طریق برش جراحی) به طور کامل خوب عمل کرد.

بدون توجه به تکنیکی که برای دیجیتالی کردن نمونه‌های سلول سرطانی استفاده می‌شود، این هوش مصنوعی به همان اندازه دقیق بود.

به گفته محققان، این سازگاری CHIEF را در تنظیمات بالینی مختلف قابل استفاده می‌کند و نشان‌دهنده گام مهمی فراتر از مدل‌های فعلی است، که تنها در هنگام خواندن بافت‌های به‌دست‌آمده از طریق تکنیک‌های خاص، عملکرد خوبی دارند.

02

از 06

چگونگی تشخیص سرطان با هوش مصنوعی

هوش مصنوعی CHIEF نزدیک به 94 درصد دقت در تشخیص سرطان به دست آورد و به طور قابل توجهی از رویکردهای هوش مصنوعی فعلی در 15 مجموعه داده حاوی 11 نوع سرطان بهتر عمل کرد.

در پنج مجموعه داده نمونه‌برداری شده و جمع‌آوری‌ شده از گروه‌های مستقل، CHIEF به 96 درصد دقت در انواع مختلف سرطان از جمله مری، معده، کولون و پروستات دست یافت.

هنگامی که محققان CHIEF را روی اسلایدهایی که از تومورهای جراحی برداشته شده روده بزرگ، ریه، سینه، آندومتر و دهانه رحم که در گذشته آنها را ندیده بود، آزمایش کردند، این مدل با دقت بیش از 90 درصد تشخیص را ارائه داد.

03

از 06

پیش‌بینی پروفایل‌های مولکولی تومورها

ساختار ژنتیکی تومور دارای سرنخ‌های حیاتی برای تعیین رفتار آینده و درمان‌های بهینه آن است.

برای به دست آوردن این اطلاعات، انکولوژیست‌ها دستور تعیین توالی DNA نمونه‌های تومور را می‌دهند، اما چنین پروفایل ژنومی دقیق بافت‌های سرطانی به دلیل هزینه و زمان صرف شده برای ارسال نمونه‌ها به آزمایشگاه‌های توالی‌یابی DNA تخصصی، به طور معمول و یکنواخت در سراسر جهان انجام نمی‌شود.

حتی در مناطقی که منابع خوبی دارند، این فرایند ممکن است چندین هفته طول بکشد.

یو در این زمینه اعلام کرد: «این شکافی است که هوش مصنوعی می‌تواند پر کند.»

به گفته محققان، شناسایی سریع الگوهای سلولی در تصویری که بیانگر انحرافات ژنومی خاص است، می‌تواند جایگزینی سریع و مقرون‌به‌صرفه برای توالی ژنومی باشد.

CHIEF از روش‌های هوش مصنوعی فعلی برای پیش‌بینی تغییرات ژنومی در تومور با نگاه کردن به اسلایدهای میکروسکوپی بهتر عمل کرد.

این هوش مصنوعی ویژگی‌های مرتبط با چندین ژن مهم مرتبط با رشد و سرکوب سرطان را با موفقیت شناسایی و جهش‌های ژنتیکی کلیدی مرتبط با میزان پاسخ یک تومور به درمان‌های استاندارد مختلف را پیش‌بینی کرد.

همچنین CHIEF یک سری الگوهای DNA خاص را در رابطه با چگونگی پاسخ یک تومور کولون به نوعی از ایمونوتراپی به نام مسدود کردن ایمونوتیک شناسایی کرد.

هنگام مشاهده تصاویر کل بافت، CHIEF جهش‌هایی را در 54 ژن سرطانی جهش‌یافته با دقت کلی بیش از 70 درصد شناسایی کرد، که از روش فعلی هوش مصنوعی برای پیش‌بینی سرطان ژنومی بهتر بود.

دقت این هوش مصنوعی برای ژن‌های خاص در انواع خاص سرطان بیشتر می‌باشد.

همچنین این تیم، CHIEF را روی توانایی آن در پیش‌بینی جهش‌های مرتبط با پاسخ به درمان‌های هدفمند مورد تأیید FDA در 18 ژن که 15 نقطه آناتومیک را پوشش می‌دهند، آزمایش کردند.

CHIEF در چندین نوع سرطان، از جمله 96 درصد در تشخیص جهش در ژنی به نام EZH2 که در سرطان خون به نام لنفوم سلول B منتشر شده و رایج است، به دقت بالایی دست یافت.

89 درصد جهش ژن BRAF در سرطان تیروئید و 91 درصد برای جهش ژن NTRK1 در سرطان سر و گردن به دست آمد.

04

از 06

پیش‌بینی بقای بیمار

CHIEF با موفقیت بقای بیمار را بر اساس تصاویر هیستوپاتولوژی تومور به دست آمده در زمان تشخیص اولیه پیش‌بینی کرد.

در همه انواع سرطان و تمام بیماران تحت مطالعه، CHIEF بیماران با بقای طولانی‌مدت را از آنهایی که بقای کوتاه‌مدت داشتند، متمایز کرد.

این مدل هوش مصنوعی 8 درصد از سایر مدل‌های دیگر بهتر عمل کرد.

در بیماران مبتلا به سرطان‌های پیشرفته‌تر نیز 10 درصد از سایر مدل‌های هوش مصنوعی بهتر خود را نشان داد.

در مجموع، توانایی CHIEF برای پیش‌بینی خطر بالای مرگ در مقابل خطر کم مرگ در بین نمونه‌های بیماران از 17 مؤسسه مختلف آزمایش و تأیید شد.

05

از 06

استخراج بینش‌های جدید در مورد رفتار تومور

این مدل هوش مصنوعی الگوهای گویایی را در تصاویر مربوط به پرخاشگری تومور و بقای بیمار شناسایی کرد.

برای تجسم این مناطق، CHIEF نقشه‌های حرارتی را روی یک تصویر ایجاد کرد.

هنگامی که آسیب‌شناسان انسانی این نقاط داغ مشتق از هوش مصنوعی را تجزیه و تحلیل کردند، سیگنال‌های جالبی را دیدند که منعکس‌‌کننده تعاملات بین سلول‌های سرطانی و بافت‌های اطراف بود.

یکی از این ویژگی‌ها، وجود تعداد بیشتری از سلول‌های ایمنی در نواحی تومور در بازماندگان طولانی‌مدت در مقایسه با بازماندگان کوتاه‌مدت بود.

یو بیان کرد: «این یافته منطقی است، چرا که حضور بیشتر سلول‌های ایمنی ممکن است نشان‌دهنده فعال شدن سیستم ایمنی برای حمله به تومور باشد.»

هنگام بررسی تومورهای بازماندگان کوتاه مدت، CHIEF مناطق مورد علاقه محققان را شناسایی کرد، که با نسبت اندازه غیرطبیعی بین اجزای مختلف سلول، ویژگی‌های غیر معمول روی هسته سلول‌ها، اتصالات ضعیف بین سلول‌ها و حضور کمتر بافت همبند در ناحیه اطراف تومور مشخص می‌شوند.

همچنین این تومورها حضور بیشتری از سلول‌های در حال مرگ در اطراف خود داشتند.

به عنوان مثال، در تومورهای پستان، CHIEF به عنوان یک منطقه مهم، وجود نکروز یا مرگ سلولی در داخل بافت‌ها را مشخص کرد.

از طرف دیگر، سرطان سینه با نرخ بقای بالاتر احتمال بیشتری داشت که ساختار سلولی شبیه بافت‌های سالم را حفظ کند.

این تیم خاطرنشان کرد که ویژگی‌های بصری و مناطق مهم مربوط به بقا بر اساس نوع سرطان متفاوت است.

06

از 06

مراحل بعدی

محققان گفتند که قصد دارند عملکرد CHIEF را اصلاح کنند و قابلیت‌های آن را با موارد زیر افزایش دهند:

• آموزش تکمیلی در مورد تصاویر بافت‌های ناشی از بیماری‌های نادر و شرایط غیر سرطانی انجام شود.
• تشخیص نمونه‌هایی از بافت‌های پیش بدخیم قبل از اینکه سلول‌ها به طور کامل سرطانی شوند.
• مدل در معرض داده‌های مولکولی بیشتر برای افزایش توانایی آن در شناسایی سرطان‌هایی با سطوح مختلف پرخاشگری قرار گیرد.
• مدل برای پیش‌بینی فواید و اثرات نامطلوب درمان‌های جدید سرطان علاوه بر درمان‌های استاندارد آموزش داده شود.