پزشکان هاروارد مدل AI مشابه ChatGPT را برای تشخیص سرطان ایجاد کردند

فهرست مطالب نمایش

محققان در دانشکده پزشکی هاروارد یک مدل هوش مصنوعی همه کاره، مشابه ChatGPT، توسعه داده‌اند که می‌تواند انواع مختلف سرطان را با دقت و انعطاف‌پذیری بیشتری نسبت به سیستم‌های AI موجود تشخیص داده و ارزیابی کند. این مدل جدید، به نام CHIEF، نه تنها نتایج بیماران را پیش‌بینی می‌کند، بلکه پروفایل‌های مولکولی و شاخص‌های بقای 19 نوع مختلف سرطان را شناسایی می‌کند و نشان می‌دهد که پتانسیل بهبود قابل توجه استراتژی‌های درمان سرطان را دارد.

یک مدل مشابه ChatGPT می‌تواند سرطان را شناسایی کند، گزینه‌های درمانی را توصیه کند و نرخ بقای انواع مختلف سرطان را پیش‌بینی کند. محققان در دانشکده پزشکی هاروارد یک مدل AI چند منظوره، مشابه ChatGPT، توسعه داده‌اند که می‌تواند روش‌های تشخیصی مختلفی را برای انواع مختلف سرطان انجام دهد.

محققان گفتند که این سیستم جدید AI، که در Nature توصیف شده است، یک گام فراتر از بسیاری از رویکردهای فعلی AI برای تشخیص سرطان است. سیستم‌های AI فعلی معمولاً برای انجام وظایف خاص – مانند تشخیص وجود سرطان یا پیش‌بینی پروفایل ژنتیکی یک تومور – آموزش داده می‌شوند و تمایل دارند فقط در تعداد کمی از انواع سرطان کار کنند. در مقابل، مدل جدید می‌تواند طیف گسترده‌ای از وظایف را انجام دهد و روی 19 نوع سرطان آزمایش شد که به آن انعطاف‌پذیری مشابه مدل‌های بزرگ زبان مانند ChatGPT می‌دهد.

در حالی که سایر مدل‌های بنیادی AI برای تشخیص پزشکی مبتنی بر تصاویر آسیب‌شناسی اخیراً ظهور کرده‌اند، این اولین مدلی است که تصور می‌شود نتایج بیمار را پیش‌بینی کرده و آن‌ها را در چندین گروه بیمار بین‌المللی تأیید کند.

“هدف ما ایجاد یک پلتفرم AI چابک و همه کاره مشابه ChatGPT بود که بتواند طیف گسترده‌ای از وظایف ارزیابی سرطان را انجام دهد”، کن-هسینگ یو، استادیار علوم اطلاعات زیست پزشکی در موسسه بلاواتنیک در دانشکده پزشکی هاروارد، گفت. “مدل ما برای انجام چندین وظیفه مرتبط با تشخیص سرطان، پیش‌آگهی و پاسخ درمانی در چندین سرطان بسیار مفید بود.”

مدل AI که با خواندن اسلایدهای دیجیتال بافت تومور کار می‌کند، سلول‌های سرطانی را تشخیص می‌دهد و پروفایل مولکولی یک تومور را بر اساس ویژگی‌های سلولی مشاهده شده در تصویر با دقت برتر نسبت به اکثر سیستم‌های AI فعلی پیش‌بینی می‌کند. این می‌تواند بقای بیمار را در چندین نوع سرطان پیش‌بینی کند و با دقت ویژگی‌هایی را در بافت اطراف یک تومور – همچنین به عنوان میکرو محیط تومور شناخته می‌شود – که مربوط به پاسخ یک بیمار به درمان‌های استاندارد، از جمله جراحی، شیمی درمانی، پرتودرمانی و ایمونوتراپی است، مشخص کند.

سرانجام، تیم گفت که این ابزار قادر به تولید بینش‌های جدید است – این ویژگی‌های خاص تومور را که قبلاً مشخص نبود که با بقای بیمار مرتبط هستند، شناسایی کرد.

تیم تحقیق گفت که یافته‌ها به شواهد رو به رشد اضافه می‌کنند که رویکردهای مبتنی بر AI می‌توانند توانایی پزشکان را در ارزیابی کارآمد و دقیق سرطان‌ها، از جمله شناسایی بیمارانی که ممکن است به درمان‌های استاندارد سرطان پاسخ خوبی ندهند، افزایش دهند.

“اگر بیشتر تأیید و به طور گسترده مستقر شود، رویکرد ما و رویکردهای مشابه ما می‌توانند به طور اولیه بیماران سرطانی را که ممکن است از درمان‌های آزمایشی هدف قرار دادن برخی تغییرات مولکولی بهره‌مند شوند، شناسایی کنند، یک توانایی که به طور یکنواخت در سراسر جهان در دسترس نیست”، یو گفت.

آموزش و عملکرد

تیم تحقیقاتی، مدل هوش مصنوعی پیشرفته‌ای به نام CHIEF را توسعه داده‌اند که قادر است انواع مختلف سرطان را با دقت بسیار بالایی تشخیص دهد. این مدل بر اساس تحقیقات قبلی که روی سرطان روده بزرگ و تومورهای مغزی انجام شده بود، ساخته شده است.

CHIEF با استفاده از میلیون‌ها تصویر پزشکی آموزش دیده است. این تصاویر به بخش‌های کوچکتری تقسیم شده‌اند تا مدل بتواند جزئیات بسیار ریز تصاویر را یاد بگیرد. سپس، CHIEF با استفاده از این اطلاعات، توانایی تشخیص انواع مختلف سرطان از جمله سرطان ریه، سینه، پروستات و بسیاری دیگر را پیدا کرده است.

یکی از ویژگی‌های منحصر به فرد CHIEF این است که می‌تواند کل تصویر را به طور کامل تحلیل کند. این بدان معناست که CHIEF نه تنها به بخش‌های خاصی از تصویر که احتمال وجود سلول‌های سرطانی در آن‌ها بیشتر است، توجه می‌کند، بلکه به ارتباط بین این بخش‌ها و سایر قسمت‌های تصویر نیز دقت می‌کند. این ویژگی به CHIEF کمک می‌کند تا تشخیص دقیق‌تری داشته باشد.

به عبارت ساده‌تر،CHIEF مانند یک پزشک متخصص است که با بررسی دقیق تصاویر پزشکی، می‌تواند کوچکترین تغییرات در سلول‌ها را تشخیص دهد و وجود سرطان را پیش‌بینی کند.

پس از آموزش، تیم عملکرد CHIEF را روی بیش از 19,400 تصویر کل اسلاید از 32 مجموعه داده مستقل جمع‌آوری شده از 24 بیمارستان و گروه‌های بیمار در سراسر جهان آزمایش کرد.

به طور کلی، CHIEF در مقایسه با سایر روش‌های پیشرفته AI در وظایف زیر تا 36 درصد عملکرد بهتری داشت: تشخیص سلول‌های سرطانی، شناسایی منشأ تومور، پیش‌بینی نتایج بیمار و شناسایی حضور ژن‌ها و الگوهای DNA مرتبط با پاسخ درمانی. به دلیل آموزش همه کاره خود، CHIEF عملکرد یکسانی داشت، صرف نظر از اینکه سلول‌های تومور چگونه به دست آمده بودند – چه از طریق بیوپسی یا از طریق برداشت جراحی. و دقیقاً مانند قبل، صرف نظر از تکنیک استفاده شده برای دیجیتالی کردن نمونه‌های سلول سرطانی، دقیق بود. محققان گفتند که این انعطاف‌پذیری، CHIEF را در تنظیمات بالینی مختلف قابل استفاده می‌کند و یک گام مهم فراتر از مدل‌های فعلی است که تمایل دارند فقط هنگام خواندن بافت‌های به دست آمده از طریق تکنیک‌های خاص عملکرد خوبی داشته باشند.

تشخیص سرطان

CHIEF تقریباً 94 درصد دقت در تشخیص سرطان داشت و به طور قابل توجهی از رویکردهای فعلی AI در 15 مجموعه داده حاوی 11 نوع سرطان پیشی گرفت. در پنج مجموعه داده بیوپسی جمع‌آوری شده از گروه‌های مستقل، CHIEF در چندین نوع سرطان از جمله مری، معده، کولون و پروستات 96 درصد دقت داشت. هنگامی که محققان CHIEF را روی اسلایدهای قبلاً دیده نشده از تومورهای برداشته شده جراحی کولون، ریه، سینه، اندومتریوم و سرویکس آزمایش کردند، این مدل با دقت بیش از 90 درصد عمل کرد.

پیش‌بینی پروفایل‌های مولکولی تومورها

آرایش ژنتیکی یک تومور سرنخ‌های حیاتی برای تعیین رفتار آینده آن و درمان‌های بهینه ارائه می‌دهد. برای دریافت این اطلاعات، انکولوژیست‌ها ترتیب توالی‌یابی DNA نمونه‌های تومور را می‌دهند، اما چنین پروفایل‌سازی ژنومی دقیق بافت‌های سرطان به دلیل هزینه و زمان صرف شده برای ارسال نمونه‌ها به آزمایشگاه‌های تخصصی توالی‌یابی DNA به طور معمول یا یکنواخت در سراسر جهان انجام نمی‌شود. حتی در مناطق پر منابع، این فرآیند ممکن است چندین هفته طول بکشد. یو گفت این شکافی است که AI می‌تواند آن را پر کند.

محققان گفتند که شناسایی سریع الگوهای سلولی روی یک تصویر که نشان‌دهنده انحرافات ژنومی خاص است، می‌تواند یک جایگزین سریع و مقرون به صرفه برای توالی‌یابی ژنومی باشد.

CHIEF با نگاه کردن به اسلایدهای میکروسکوپی، برای پیش‌بینی تغییرات ژنومی در یک تومور از روش‌های فعلی AI پیشی گرفت. این رویکرد جدید AI با موفقیت ویژگی‌های مرتبط با چندین ژن مهم مرتبط با رشد و سرکوب سرطان را شناسایی کرد و جهش‌های ژنتیکی کلیدی مرتبط با چگونگی پاسخ یک تومور به درمان‌های استاندارد را پیش‌بینی کرد.

CHIEF همچنین الگوهای خاص DNA مرتبط با چگونگی پاسخ یک تومور کولون به یک شکل ایمونوتراپی به نام محاصره نقطه بررسی ایمنی را شناسایی کرد. هنگام نگاه کردن به تصاویر کل بافت، CHIEF جهش‌ها در 54 ژن سرطانی معمولاً جهش یافته را با دقت کلی بیش از 70 درصد شناسایی کرد که از روش پیشرفته فعلی AI برای پیش‌بینی سرطان ژنومی پیشی گرفت. دقت آن برای ژن‌های خاص در انواع خاص سرطان بیشتر بود.

تیم همچنین CHIEF را برای توانایی آن در پیش‌بینی جهش‌های مرتبط با پاسخ به درمان‌های هدفمند تأیید شده توسط FDA در 18 ژن در 15 محل آناتومیک آزمایش کرد. CHIEF دقت بالایی در چندین نوع سرطان داشت، از جمله 96 درصد در تشخیص جهش در یک ژن به نام EZH2 رایج در یک سرطان خون به نام لنفوم بزرگ سلول B منتشر. این 89 درصد برای جهش ژن BRAF در سرطان تیروئید و 91 درصد برای جهش ژن NTRK1 در سرطان‌های سر و گردن به دست آورد.

پیش‌بینی بقای (عمر) بیمار

مدل هوش مصنوعی CHIEF با موفقیت توانسته است طول عمر بیماران سرطانی را بر اساس تصاویر بافت‌شناسی تومورهایی که در ابتدای تشخیص بیماری گرفته شده است، پیش‌بینی کند.

این مدل هوش مصنوعی در تمام انواع سرطان‌ها و برای همه گروه‌های بیماران مورد بررسی، به خوبی توانسته است بیمارانی که عمر طولانی‌تری (longer-term survival) دارند را از بیمارانی که عمر کوتاه‌تری (shorter-term survival) خواهند داشت، تشخیص دهد.

CHIEF به طور متوسط 8 درصد بهتر از سایر مدل‌های مشابه عمل کرده است. همچنین، در مورد بیمارانی که سرطان پیشرفته‌تری دارند، این مدل 10 درصد دقیق‌تر از دیگر مدل‌های هوش مصنوعی است. در مجموع، توانایی CHIEF در پیش‌بینی خطر مرگ در بیماران، در 17 موسسه مختلف مورد آزمایش قرار گرفته و نتایج آن تأیید شده است.

استخراج بینش‌های جدید در مورد رفتار تومور

مدل هوش مصنوعی CHIEF توانسته است اطلاعات جدید و ارزشمندی را درباره رفتار تومورها کشف کند. این مدل با بررسی دقیق تصاویر بافت‌شناسی تومور، الگوهایی را شناسایی کرده است که ارتباط مستقیمی با تهاجمی بودن تومور (tumor aggressiveness) و طول عمر بیمار دارند.

برای اینکه بتوان این مناطق خاص در تصاویر را بهتر مشاهده کرد، CHIEF نقشه‌های حرارتی ایجاد کرده است. این نقشه‌ها مناطقی را که حاوی اطلاعات مهمی هستند، با رنگ‌های گرم‌تر نشان می‌دهند.

وقتی آسیب‌شناسان (پزشکان متخصص در تشخیص بیماری‌ها از طریق بررسی بافت‌ها) این مناطق مشخص شده توسط هوش مصنوعی را بررسی کردند، به یافته‌های جالبی دست پیدا کردند. آن‌ها متوجه شدند که در تومورهای بیمارانی که عمر طولانی‌تری داشته‌اند، تعداد سلول‌های ایمنی بیشتری وجود دارد. این یعنی سیستم ایمنی بدن این بیماران فعال‌تر بوده و به تومور حمله کرده است.

به عبارت دیگر، حضور تعداد بیشتر سلول‌های ایمنی در اطراف تومور، نشانه خوبی است و احتمالاً به این معنی است که بدن بیمار در حال مبارزه با سرطان است.

دکتر یو، یکی از محققان این پروژه، معتقد است که این یافته کاملاً منطقی است. زیرا زمانی که سیستم ایمنی بدن فعال شود، سلول‌های ایمنی بیشتری به محل تومور می‌آیند تا با سلول‌های سرطانی مبارزه کنند.

مدل هوش مصنوعی CHIEF با بررسی دقیق تومورهای بیمارانی که عمر کوتاهی داشته‌اند، به الگوهای خاصی دست یافته است. این الگوها نشان می‌دهند که در این تومورها، سلول‌ها به شکل غیرعادی رشد کرده و به هم متصل شده‌اند. همچنین، هسته سلول‌ها شکل غیر طبیعی داشته و بافت همبند اطراف تومور کمتر است. علاوه بر این، در اطراف این تومورها تعداد سلول‌های مرده بیشتری دیده می‌شود. مثلاً در سرطان سینه، CHIEF مناطقی را شناسایی کرده است که سلول‌ها در آن قسمت‌ها در حال مرگ بوده‌اند.

در مقابل، تومورهای بیمارانی که عمر طولانی‌تری داشته‌اند، ساختار سلولی نزدیک‌تری به بافت‌های سالم دارند.

تیم تحقیقاتی متوجه شده‌اند که این ویژگی‌ها و مناطق مورد توجه در انواع مختلف سرطان متفاوت هستند.

گام‌های بعدی برای بهبود عملکرد مدل CHIEF:

محققان قصد دارند با انجام کارهای زیر، عملکرد مدل CHIEF را بهبود بخشند:

آموزش بیشتر: مدل را با تصاویر بافت‌شناسی از بیماری‌های نادر و شرایط غیرسرطانی آموزش دهند تا دقت آن افزایش یابد.
بررسی بافت‌های پیش‌سرطانی: نمونه‌هایی از بافت‌هایی که هنوز کاملاً به سرطان تبدیل نشده‌اند را به مدل نشان دهند تا مدل بتواند مراحل اولیه سرطان را نیز تشخیص دهد.
استفاده از داده‌های مولکولی: با اضافه کردن اطلاعات مولکولی به داده‌های تصویری، توانایی مدل در تشخیص انواع مختلف سرطان با سطوح تهاجمی متفاوت را افزایش دهند.
پیش‌بینی اثر درمان‌ها: مدل را آموزش دهند تا بتواند اثربخشی درمان‌های جدید سرطان را پیش‌بینی کند و همچنین عوارض جانبی احتمالی آن‌ها را شناسایی کند.

با انجام این تغییرات، انتظار می‌رود که مدل CHIEF در آینده بتواند به پزشکان کمک کند تا تشخیص دقیق‌تری از سرطان داشته باشند و درمان‌های مناسب‌تری را برای بیماران انتخاب کنند.

همچنین بخوانید:

مترجم: محمد صادق محمودی لرد

منبع

از این مطلب چقدر راضی بودید؟

روی ستاره کلیک کنید تا نظرتون ثبت بشه