الگوریتمی که پخش شدن سرطان پانکراس رو پیش‌بینی می‌کنه، می‌تونه جلوی عمل‌های جراحی غیرضروری رو بگیره

سرطان پانکراس هنوزم یکی از بزرگترین چالش‌ها تو حوزه انکولوژیه. تعداد موارد ابتلا داره زیاد می‌شه و جدیدترین درمان‌های شخصی‌سازی‌شده و ایمونوتراپی هنوز نتیجه ندادن. بیشتر تلاش‌ها روی تشخیص هر چه زودتر تومور متمرکز شده، چون اکثر موارد تو مرحله پیشرفته تشخیص داده می‌شن. ولی تحقیقات همچنین به دنبال اینه که به گرفتن بهترین تصمیم بالینی بعد از تشخیص هم کمک کنه.

موقع تصمیم‌گیری برای عمل کردن یا نکردن، مشاورا باید بدونن که آیا تومور اصلی به اعضای دیگه هم پخش شده یا نه. اگه پخش شده باشه—یعنی اگه متاستاز وجود داشته باشه—جراحی توصیه نمی‌شه. مشکل اینجاست که تو سرطان پانکراس، تشخیص این موضوع خیلی سخته. امروزه، تعداد قابل توجهی از بیمارها تحت عمل جراحی غیرضروری قرار می‌گیرن، چون متاستازشون به موقع تشخیص داده نشده.

حالا یه تیمی به رهبری نوریا مالاتس، از مرکز ملی تحقیقات سرطان اسپانیا (CNIO)، یه الگوریتم ساخته که با استفاده از عکس‌های پزشکی تومور اصلی، وجود متاستاز رو با دقت پیش‌بینی می‌کنه.

این یه مدل یادگیری عمیق با عملکرد بالاست که به نظر میاد برای کمک به جراح‌ها و دکترا برای تشخیص متاستاز امیدوارکننده باشه. همونطور که تو مجله Gut گفته شده، این مدل می‌تونه برنامه‌ریزی جراحی رو دقیق‌تر کنه و نتایج رو برای بیماران مبتلا به سرطان پانکراس بهتر کنه.

خیلی مهمه که قبل از تصمیم‌گیری برای عمل، بدونیم متاستاز وجود داره یا نه

مالاتس، رئیس گروه اپیدمیولوژی ژنتیکی و مولکولی تو CNIO، توضیح میده: «اگه یه نفر با سرطان پانکراس همین الانش هم متاستاز داشته باشه، عمل کردنش اینو درمان نمی‌کنه و حتی می‌تونه وضعیتش رو بدتر کنه.»

«جراحی خیلی تهاجمیه و می‌تونه باعث بشه بیمار بیشتر عذاب بکشه، بدون اینکه پیش‌آگهی‌اش بهتر بشه. برای همینه که خیلی مهمه موقع تصمیم‌گیری برای جراحی، از قبل بدونیم که آیا متاستاز وجود داره یا نه. الگوریتم ما با استفاده از عکس‌هایی که همین الانش هم به طور معمول گرفته می‌شن، وجود متاستاز رو با دقت پیش‌بینی می‌کنه.»

الگوریتم PMPD (الگوریتم یادگیری عمیق پیش‌بینی متاستاز سرطان پانکراس)، که از هوش مصنوعی استفاده می‌کنه، با داده‌های حدود ۲۵۰ بیمار از یه کارآزمایی بالینی هلندی روی درمان خط اول سرطان پانکراس، آزمایش شد. محقق اصلی این کارآزمایی، کسپر ون آیک، تو این مقاله‌ای که الان داره چاپ می‌شه هم همکاری داشته. این الگوریتم نرخ موفقیت بالایی داشت.

جلوگیری از عوارض جانبی غیرضروری

به طور خاص، الگوریتم PMPD تونست ۵۶ درصد از متاستازها رو تو مجموعه داده این تحقیق به درستی دسته‌بندی کنه، که مالاتس میگه «یه نتیجه امیدوارکننده تو سرطان پانکراسه، مخصوصاً تو این نوع تشخیص پیچیده.»

این مدل صرف نظر از محل متاستاز، عملکرد پایداری داشت. اندازه و محل تومور اصلی و همچنین جنسیت و سن بیمار، روی توانایی پیش‌بینی‌اش تأثیری نداشت.

نتایج وقتی خیلی مثبت‌تر می‌شن که بیماران این تحقیق رو که متاستازشون فقط تو اتاق عمل تشخیص داده شده بود، در نظر بگیریم. الگوریتم PMPD تونست ۶۵.۸ درصد از این متاستازها رو پیش‌بینی کنه، که به گفته مالاتس، یعنی اگه اون موقع استفاده شده بود، «این بیمارا می‌تونستن از مداخله جراحی در امان بمونن.»

یه نظر دوم مبتنی بر داده

این الگوریتم پیشرفت بیماری رو هم پیش‌بینی می‌کنه. همونطور که مالاتس توضیح میده: «این الگوریتم نه تنها به ما میگه که الان متاستاز وجود داره یا نه، بلکه سعی می‌کنه پیش‌بینی کنه که آیا تو ماه‌های آینده ظاهر می‌شه یا نه. این به دکترا کمک می‌کنه تصمیمات بهتری در مورد عمل کردن یا نکردن بگیرن، درمان‌ها رو متناسب‌تر با ریسک بیمار برنامه‌ریزی کنن و از مداخلات غیرضروری جلوگیری کنن.»

این یه پروژه‌ست که توسط گروه CNIO با همکاری متخصصای پزشکی، علوم کامپیوتر و آمار از موسسات اسپانیا و هلند رهبری می‌شه.

موفقیت این الگوریتم به خاطر اینه که با مقدار زیادی داده پزشکی واقعی (عکس‌های سی‌تی اسکن و داده‌های بالینی) آموزش دیده. مالاتس همچنین اضافه می‌کنه که این الگوریتم از تکنیک‌های هوش مصنوعی برای تشخیص الگوهایی استفاده می‌کنه که دیدنشون برای چشم انسان سخته.

این محقق CNIO توضیح میده که این الگوریتم به عنوان یه ابزار مکمل طراحی شده: «این به دکترا (رادیولوژیست‌ها، انکولوژیست‌ها و جراح‌ها، به‌خصوص) تو تصمیم‌گیری کمک می‌کنه، ولی جای قضاوت حرفه‌ای اونا رو نمی‌گیره. این یه نظر دوم مبتنی بر داده ارائه میده، که می‌تونه تشخیص رو سریع‌تر، دقیق‌تر و کم‌خطرتر برای بیمار کنه.»

قدم بعدی: تأیید با بیماران تو بیمارستان‌ها

اما محدودیت‌هایی هم وجود داره. مالاتس تأکید می‌کنه که «به تأیید بیشتری تو بیمارستان‌ها و جمعیت‌های مختلف نیاز هست.» و مثل هر توسعه هوش مصنوعی دیگه‌ای، می‌تونه نتایج مثبت کاذب (نشون دادن اشتباهی وجود متاستاز) یا منفی کاذب (تشخیص ندادن متاستاز وقتی که وجود داره) داشته باشه.

برای همین، یکی از اهداف بعدی این گروه اینه که این الگوریتم رو روی بیماران واقعی، در زمان واقعی، با همکاری بیمارستان‌هایی مثل وال دِ هبرون (بارسلون)، رامون ای کاخال و گرگوریو مارانیون (مادرید)، مرکز دانشگاهی ناوارا و گروه سرطان پانکراس هلند (DPCG) آزمایش کنن. اونا همچنین دارن با بیمارستان‌های چین و اروگوئه هم تماس می‌گیرن تا تا جای ممکن، طیف متنوعی از عکس‌ها رو به دست بیارن.

لینک منبع