قدرت یادگیری ماشینی در تصویربرداری سرطان پروستات

محققان مرکز جامع سرطان سیلوستر و مؤسسه اورولوژی Desai Sethi در حال پیشگامی در تحقیقات هستند تا از یادگیری ماشینی برای تشخیص و پیش‌آگهی سرطان پروستات با استفاده از تصویربرداری تشدید مغناطیسی (MRI) استفاده کنند.

ادغام اخیر داده‌های منبع باز با مدل‌های یادگیری ماشین، به‌ویژه در زمینه پزشکی، درهای جدیدی را برای مطالعه پیشرفت و/یا رگرسیون بیماری باز کرده است. استفاده از MRI ​​معمولی در تحقیقات و درمان سرطان پروستات برای پیش آگهی، تشخیص، نظارت فعال و کاهش نیاز به روش های بیوپسی در بیماران کم خطر موثر است.

به گفته هیمانشو آرورا، دکترا، استادیار در سیلوستر، پیشرفت‌های اخیر در یادگیری ماشین نشان می‌دهد که توسعه خطوط لوله‌ای که می‌توانند ارزیابی‌های استاندارد و عینی از تصاویر MRI را به‌طور خودکار انجام دهند و در عین حال زمان، سرمایه انسانی و سایر هزینه‌های منابع را کاهش دهند، نویدبخش است. و موسسه اورولوژی Desai Sethi در دانشکده پزشکی میلر.

اما موانعی برای استفاده مؤثر از یادگیری ماشین در مراقبت از بیمار وجود دارد، از جمله توانایی استفاده مؤثر از رویکردهای یادگیری ماشین برای سرطان‌های خاص، ویژگی داده‌های آموزشی برای یک بیماری خاص و غیره. در این زمینه، جدیدترین فناوری‌ها، مانند مولد شبکه‌های متخاصم (GANs)، به عنوان راهی بالقوه برای تولید داده‌های مصنوعی با کیفیت بالا که تنوع بالینی یک بیماری را حفظ می‌کند و برای PET، CT، MRI، اولتراسوند و تصویربرداری اشعه ایکس در مغز اعمال می‌شود، در نظر گرفته می‌شوند. شکم و سینه با این حال، علی‌رغم برخی موفقیت‌ها، استفاده از مدل GAN هنگام به تصویر کشیدن ناهمگونی بیماری مانند سرطان پروستات حداقل است.

دکتر آرورا گفت که تیم تحقیقاتی ترجمه بر بداهه سازی ابزارهای GAN متمرکز شده است تا تصاویر خروجی را به کار گرفته و با ابزارهای تشخیصی و پیش آگهی در سرطان پروستات ادغام کنند. دکتر آرورا که یکی از پیشگامان استفاده از GAN ها در یادگیری ماشینی برای سرطان پروستات است، مطالعه ای را با عنوان “شبکه های متخاصم مولد می توانند تصاویر تشدید مغناطیسی مصنوعی سرطان پروستات ایجاد کنند” را که اخیراً در مجله پزشکی شخصی به عنوان بخشی از یک شماره ویژه، “پیشینه و پزشکی دقیق در سرطان پروستات”.

تشخیص به موقع سرطان پروستات

پیشرفت در استفاده از یادگیری ماشینی در سرطان پروستات از اهمیت ویژه ای برخوردار است، زیرا این سرطان شایع ترین سرطان در بین مردان و دومین علت شایع مرگ ناشی از سرطان در مردان در ایالات متحده است.

“تشخیص به موقع و ارزیابی پیش آگهی چالش هایی برای سرطان پروستات است و این منجر به مرگ و میر و افزایش بسیاری می شود. [risk of disease progression]دکتر آرورا گفت: ما نمی توانیم چشم انسان را در تصمیم گیری پزشکی جایگزین کنیم. با این حال، بهبود فناوری‌ها به طور بالقوه می‌تواند به متخصصان تشعشعات در تصمیم‌گیری به موقع کمک کند.»

GAN با نیاز به داده‌های کمتر و پیگیری‌های بیمار برای پیش‌بینی‌های مؤثر، تأثیر طولانی‌مدتی بر تکامل مدل‌های یادگیری ماشینی ایجاد می‌کند. این برای کاهش هزینه های مراقبت های بهداشتی و درد مرتبط با پیگیری های مکرر مهم است.

منطق استفاده از GAN استفاده از قابلیت‌های یادگیری ماشین و تولید تصاویر دیجیتال با یادگیری از پیگیری‌های قبلی (تصاویر MRI و پارامترهای بالینی) و درک و پیش‌بینی پیشرفت بیماری یا الگوهای رگرسیون است.

“از لحاظ فنی، فناوری توسعه یافته در اینجا اولین شروع برای ساخت مدل های پیچیده تر “افزایش داده ها” است که در آن تصاویر دیجیتال جدید می توانند در تجزیه و تحلیل بیشتر استفاده شوند. این مرحله اولیه مطالعه ما است، اما نتایج بسیار امیدوار کننده هستند.” آرورا گفت.

ام آر آی با کیفیت بالا و یادگیری عمیق

دکتر Arora و همکارانش این مطالعه را با استفاده از MRI ​​پروستات و آسیب شناسی دیجیتال از منابع مختلف به عنوان داده های آموزشی برای ایجاد یک مدل GAN انجام دادند. آنها با استفاده از یادگیری عمیق، مدل را آموزش دادند تا مرز پروستات را بر روی MRI و برش های بافت شناسی، که ساختارهای میکروسکوپی بافت ها هستند، تقسیم کند.

دانشمندان با درجات مختلف تجربه، تصاویر به دست آمده را در مقایسه با تصاویر MRI معمولی پروستات ارزیابی کردند. محققان نشان دادند که MRIهای سرطان پروستات که با استفاده از این مدل تولید کردند، کیفیت بالایی داشتند. تقسیم‌بندی یادگیری عمیق به حذف تصاویر با اعوجاج زیاد کمک کرد، که نشان می‌دهد این مدل سرطان پروستات یادگیری ماشینی GAN پیامدهای امیدوارکننده‌ای برای تصویربرداری پیچیده بیمار سرطان پروستات دارد.

دکتر آرورا گفت: “گروه ما در موسسه Desai Sethi و Sylvester این تحقیق را با توسعه موفقیت آمیز GAN سفارشی برای تولید تصاویر مصنوعی با کیفیت کافی برای استفاده در عمل رهبری می کند.” از این تصاویر برای آموزش مدل‌های یادگیری ماشینی سنتی استفاده می‌شود که می‌توانند تشخیص و پیش‌آگهی سرطان پروستات را با استفاده از داده‌های داخلی از آزمایش‌های نظارت فعال و داده‌های در دسترس عموم از منابع متعدد انجام دهند.»

دکتر آرورا و تیمش تحقیقات خود را در مورد استفاده از GAN در تصویربرداری سرطان پروستات در کنفرانس های پزشکی بزرگ، از جمله نشست های سالانه انجمن ژنتیک انسانی آمریکا و انجمن اورولوژی آمریکا در سال 2022 ارائه کرده اند.