مدل هوش مصنوعی می تواند پیش بینی کند که آیا بیماری کرون پس از جراحی عود می کند یا خیر

با استفاده از یک ابزار هوش مصنوعی (AI) که نحوه تجسم انسان را تقلید می کند و برای تشخیص و طبقه بندی تصاویر آموزش دیده است، محققان مدلی ساختند که عود بیماری کرون را با دقت بالا با ارزیابی تصاویر بافت شناسی پیش بینی می کند. ابزار هوش مصنوعی همچنین تفاوت‌های ناشناخته قبلی را در سلول‌های چربی و تفاوت‌های قابل‌توجهی در میزان نفوذ سلول‌های ماست‌سل در ساب سروزا یا پوشش خارجی روده نشان داد و بیماران با و بدون عود بیماری را مقایسه کرد. یافته ها در مجله آمریکایی آسیب شناسی.

میزان 10 سال عود علامتی بیماری کرون، یک بیماری التهابی مزمن گوارشی، 40 درصد برآورد شده است. اگرچه سیستم های امتیازدهی برای ارزیابی فعالیت بیماری کرون و وجود عود بعد از عمل وجود دارد، هیچ سیستم امتیازدهی برای پیش بینی احتمال عود بیماری کرون ایجاد نشده بود.

محققین ارشد تاکاهیرو ماتسویی، دکترای تاکاهیرو ماتسویی، دکترای دکترا، و ایچی موری، دکتری، دکتری، دپارتمان پاتولوژی، فارغ التحصیل دانشگاه اوزاکا، توضیح دادند: «بیشتر تجزیه و تحلیل تصاویر هیستوپاتولوژیک با استفاده از هوش مصنوعی در گذشته تومورهای بدخیم را هدف قرار داده است. دانشکده پزشکی، اوزاکا، ژاپن. هدف ما این بود که با تجزیه و تحلیل تصاویر هیستوپاتولوژی با استفاده از هوش مصنوعی، اطلاعات مفید بالینی برای طیف وسیع تری از بیماری ها به دست آوریم. ما بر بیماری کرون تمرکز کردیم، که در آن عود پس از عمل یک مشکل بالینی است.

شصت و هشت بیمار مبتلا به بیماری کرون که بین ژانویه 2007 و ژوئیه 2018 تحت برداشتن روده قرار گرفتند، در این مطالعه وارد شدند. آنها بر اساس وجود یا عدم عود بیماری پس از عمل در طی دو سال پس از جراحی به دو گروه طبقه بندی شدند. هر گروه به دو زیر گروه، یکی برای آموزش یک مدل هوش مصنوعی و دیگری برای اعتبار سنجی طبقه بندی شدند. برای آموزش، تصاویر اسلاید کامل نمونه‌های جراحی در تصاویر کاشی بریده شدند، با برچسب وجود یا عدم وجود عود پس از جراحی برچسب‌گذاری شدند و سپس توسط EfficientNet-b5، یک مدل هوش مصنوعی تجاری موجود که برای انجام طبقه‌بندی تصاویر طراحی شده است، پردازش شدند. هنگامی که مدل با تصاویر بدون برچسب آزمایش شد، نتایج نشان داد که مدل یادگیری عمیق تصاویر بدون برچسب را بر اساس وجود یا عدم وجود بیماری به دقت طبقه‌بندی می‌کند.

در مرحله بعد، نقشه‌های حرارتی پیش‌بینی‌کننده برای شناسایی مناطق و ویژگی‌های بافت‌شناسی که مدل یادگیری ماشینی می‌تواند عود را با دقت بالا پیش‌بینی کند، تولید شد. تصاویر شامل تمام لایه های دیواره روده بود. نقشه‌های حرارتی نشان داد که مدل یادگیری ماشینی پیش‌بینی‌های درستی را در لایه بافت چربی زیرسروزال ارائه می‌دهد. با این حال، در مناطق دیگر، مانند لایه های مخاطی و ماهیچه ای مناسب، مدل دقت کمتری داشت. تصاویر با دقیق ترین پیش بینی ها از مجموعه داده های آزمایشی گروه های بدون عود و عود استخراج شد. در میان این تصاویر، بهترین نتایج پیش‌بینی‌کننده همگی حاوی بافت چربی بود.

از آنجایی که مدل یادگیری ماشینی به پیش‌بینی‌های دقیقی از تصاویر بافت زیرسروزال دست یافت، محققان فرض کردند که مورفولوژی سلول‌های چربی زیرسروزال بین گروه‌های عودکننده و غیرعود متفاوت است. سلول‌های چربی در گروه عود، اندازه سلول به‌طور قابل‌توجهی کوچک‌تر، مسطح شدن بیشتر و مقادیر فاصله سلولی مرکز به مرکز کوچک‌تر نسبت به گروه بدون عود داشتند.

دکتر ماتسویی و دکتر موری می‌گویند: «این ویژگی‌ها که به عنوان «انقباض سلول‌های چربی» تعریف می‌شوند، ویژگی‌های بافت‌شناسی مهمی هستند که با عود بیماری کرون مرتبط هستند.

محققان همچنین فرض کردند که تفاوت‌های مورفولوژی سلول چربی بین دو گروه با درجاتی یا نوع شرایط التهابی در بافت مرتبط است. آنها دریافتند که گروه عود کننده دارای تعداد قابل توجهی ماست سل های نفوذ کننده به بافت چربی زیر سرزی بودند که نشان می دهد سلول ها با عود بیماری کرون و پدیده “چربی شدن سلول های چربی” مرتبط هستند.

طبق دانش محققان، این یافته‌ها اولین یافته‌هایی هستند که عود بیماری کرون پس از عمل را با بافت‌شناسی سلول‌های چربی زیرسروزال و ارتشاح ماست سل مرتبط می‌کنند. دکتر ماتسویی و دکتر موری مشاهده کردند، “یافته های ما طبقه بندی را با پیش آگهی بیماران بیماری کرون پس از عمل امکان پذیر می کند. بسیاری از داروها، از جمله داروهای بیولوژیکی، برای جلوگیری از عود بیماری کرون استفاده می شوند، و طبقه بندی مناسب می تواند درمان فشرده تر و موفقیت آمیزتری را برای بیماران پرخطر امکان پذیر کند. بیماران.”