معالجه سرطان کبد با استفاده از هوش مصنوعی

پژوهشگران دانشگاه ییل آمریکا در تحقیق آخر خود به این نتیجه رسیدند که مدل‌های یادگیری ماشینی بر اساس عکس برداری قادر به پیش بینی اندازه پاسخ بدن بیمار به درمان سرطان کبد می باشند.

بر اساس کشفیات یک تحقیق مشخص شده است که مدل‌های یادگیری ماشینی که هم اکنون جهت عکس برداری مورد استفاده قرار می گیرند، قادر به ایجاد استانداردهای مطمئن تری جهت تخصیص عضو یا organ allocation و واجد شرایط بودن پیوند کبد می باشند.

نویسنده این تحقیق یهنی جولیوس چاپیرو یا Julius Chapiro از قیمت رادیولوژی و عکس برداری زیست پزشکی دانشگاه ییل بیان کرده که مشاهدات بیانگر این می باشند که مدل‌های مبتنی بر یادگیری ماشین قادر می باشند تا وخیم شدن بیماری را در بیماران مبتلا به کارسینوم هپاتوسلولار پیش از شروع درمان در مراحل اولیه HCC که در همان ابتدا نیاز به پیوند کبد دارند را پیش‌بینی کنند.

خوب است بدانید که بیماری کارسینوم هپاتوسلولار یا کارسینوم سلول‌های کبدی، متداول ترین نوع سرطان کبد اولیه در بزرگسالان می باشد و هم اکنون نیز رایج ترین علت مرگ و میر در اشخاص مبتلا به سیروز می باشد. بیماری کارسینوم هپاتوسلولار در همان ابتدای مبتلا جز سومین علت مرگ و میر بیماری سرطان در کل جهان می باشد.

در این تحقیق پژوهشگران تعداد ۱۲۰ بیمار که ۸۸ نفر از آنان مرد و ۳۲ نفر زن با میانگین سنی ۶۰ سال بودند و در مراحل ابتدایی بیماری شناسایی شده بودند را مورد بررسی قرار دادند. همچنین این بیماران بین ژوئن ۲۰۰۵ تا مارس ۲۰۱۸ به بیماری کارسینوم هپاتوسلولار مبتلا شده بودند و تحت درمان پیوند، برداشتن یا فرسایش حرارتی بودند.

در این تحقیق بیماران تحت ام آر آی، پیش از درمان و نظارت عکس برداری بعد از درمان قرار گرفتند و خصوصیات عکس برداری از مراحل بعد از کنتراست معاینات ام آر آی پیش از درمان با کمک یک شبکه‌ عصبی پیچشی یا همگشتی از قبل آموزش دیده گرفته شد. خصوصیات بالینی پیش از درمان و خصوصیات عکس‌برداری گرفته شده جهت گسترش سه مدل یادگیری ماشینی یعنی بالینی، عکس برداری و ترکیبی به منظور پیش‌بینی وخیم شدن بیماری طی ۱ تا ۶ سال بعد از درمان با هم ترکیب شدند. باید بدانید که شبکه‌های عصبی پیچشی یا همگشتی، گروهی از شبکه‌های عصبی عمیق می باشند که اصولا جهت انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین کاربرد دارند.

در پایان نتیج نشان داد که هر سه مدل یادگیری ماشینی با ارزیابی ام آر آی قادر بودند تا وخیم شدن بیماری کارسینوم هپاتوسلولار را در مراحل اولیه بعد از معالجه پیش‌بینی کنند. کاربرد اطلاعات عکس برداری به عنوان تنها ورودی مدل، پیش‌بینی بهتری در مقایسه با استفاده از فقط اطلاعات بالینی نشان داد.