چگونه ترکیب سونوگرافی پیشرفته و هوش مصنوعی می تواند تشخیص سرطان را ارتقا دهد

محققان نشان داده‌اند که یک روش خودکار تشخیص سرطان، که تکنیک‌های پیشرفته اولتراسوند را با هوش مصنوعی جفت می‌کند، می‌تواند سرطان تیروئید را که هر ساله بیش از 40000 مورد جدید دارد، به‌طور دقیق تشخیص دهد.

این روش که تصویربرداری ریز عروقی با وضوح بالا یا HDMI تلقی می‌شود، به‌طور غیرتهاجمی تصاویری از رگ‌های کوچک درون تومورها می‌گیرد و بر اساس ویژگی‌های رگ، توده‌ها را به‌طور خودکار طبقه‌بندی می‌کند. محققان کالج پزشکی و علوم کلینیک مایو که این تکنیک را توسعه دادند، آن را بر روی 92 بیمار مبتلا به تومورهای تیروئید آزمایش کردند و دریافتند که این روش می تواند سرطانی بودن ضایعات را با دقت 89 درصد تشخیص دهد. در مطالعه ای که در مجله منتشر شده است سرطان هانویسندگان پیشنهاد می کنند که HDMI به طور بالقوه می تواند یک چالش تشخیصی طولانی مدت ارزیابی تومورهای تیروئید در کلینیک را حل کند.

دکتر عذرا علیزاد، نویسنده این مطالعه، استاد رادیولوژی و مهندسی زیست پزشکی در کلینیک مایو، گفت: «از آنجایی که HDMI به شما امکان می دهد به طور عینی ندول های خوش خیم را از ندول های بدخیم متمایز کنید، می تواند دقت تشخیصی را تا حد زیادی بهبود بخشد و تعداد جراحی های غیر ضروری را که اکنون انجام می شود کاهش دهد. .

در حالی که روش‌های مرسوم اولتراسوند – که تصاویری از بافت‌ها و اندام‌ها را از صداهایی که از آنها منعکس می‌شوند ایجاد می‌کنند – در تشخیص تومورهای تیروئید ماهر هستند، در حال حاضر برای متخصصان مراقبت‌های بهداشتی دشوار است که تعیین کنند واقعاً یک تومور چقدر باید نگران باشد.

سونوگرافی نمی تواند به راحتی صداهای کوچکی را که از رگ های خونی ریز یا عروق خونی کوچک می آید را از صداهای بافت اطراف جدا کند، حتی اگر ریز عروق سرنخ هایی در مورد سرطانی بودن یک توده داشته باشد.

بین 60 تا 80 درصد از بیماران مبتلا به تومورهای تیروئید بیوپسی می شوند، اما بار مالی و فیزیکی بالقوه مرتبط با این روش ها ممکن است برای بخشی از بیماران مبتلا به تومورهای خوش خیم غیر ضروری باشد.

محققان نشان داده‌اند که افزودن مواد شیمیایی به نام عوامل کنتراست که به راحتی قابل مشاهده هستند و به طور معمول در سایر روش‌های تصویربرداری پزشکی استفاده می‌شوند، به سونوگرافی اجازه می‌دهد تا جزئیات ریز عروق تومور را آشکار کند، اما این مواد باید به بیماران تزریق شوند و گاهی اوقات عوارض جانبی نامطلوبی را ایجاد می‌کنند.

در حالی که تکنیک‌های جدیدتر اولتراسوند می‌توانند تصاویر واضح‌تری از گره‌ها ایجاد کنند، پزشکان باید در نهایت آنها را به صورت ذهنی ارزیابی کنند.

علیزاد گفت: «در جایی که یک پزشک بدخیمی می بیند، پزشک دیگری می تواند به این نتیجه برسد که تومور یک تهدید نیست.

علیزاد به همراه همکارش مصطفی فاطمی، استاد مهندسی زیست پزشکی در کلینیک مایو، به دنبال توسعه یک راه حل تصویربرداری کم هزینه و غیرتهاجمی بود که نتایج قابل اندازه گیری را ارائه می دهد و خطاها را به حداقل می رساند. برای انجام این کار، آنها HDMI را توسعه دادند، که در آن نوعی هوش مصنوعی به نام یادگیری ماشینی تصاویر با وضوح بالا از عروق ریز تومور را ارزیابی می کند.

این تکنیک قبلاً برای دستیابی به نتایج دقیق برای تومورهای سینه نویدبخش بوده است. در مطالعه جدید، نویسندگان توانایی HDMI را در تیروئید با ارزیابی تومورها در 92 بیمار آزمایش کردند.

محققان با HDMI از تومورها عکس گرفتند و ده ها ویژگی مربوط به اندازه و شکل عروق ریز در تصاویر، از جمله چگالی و تعداد نقاط انشعاب آنها را اندازه گیری کردند.

بیماران در این مطالعه، با نظر پزشکان خود، همگی انتخاب شدند که تومورهای خود را برای تعیین وضعیت بدخیمی بیوپسی کنند. آنهایی که تومورهایی داشتند که این روش نشان داد سرطانی بودند، سپس تحت عمل جراحی قرار گرفتند تا توده ها برداشته شوند.

محققان برای آموزش الگوریتم‌های یادگیری ماشینی خود که چگونه قضاوت کنند که آیا یک ویژگی به این صورت یا دیگری اشاره می‌کند، محققان 70 درصد از داده‌های تصویربرداری خود را از تومورهای بیمار همراه با وضعیت بدخیمی در اختیار آنها قرار دادند که اساساً به الگوریتم‌ها اجازه می‌دهد با یک کلید پاسخ مطالعه کنند. دست

از طریق آزمون و خطا، الگوریتم‌ها مدل‌های پیش‌بینی را ساختند که نویسندگان این مطالعه آن‌ها را برای تعیین وضعیت تومورهای تصویر شده در 30 درصد باقی‌مانده داده‌ها به کار گرفتند.

طبقه بندی های HDMI بر اساس ارزیابی های بالینی بیوپسی ها و جراحی ها در 89 درصد مواقع دقیق بود.

یافته‌ها نشان می‌دهد که HDMI می‌تواند رویکرد تشخیصی قوی‌تری نسبت به روش‌های معمولی باشد و می‌تواند بخش‌هایی از بیماران را از دردسر جراحی غیرضروری در آینده نجات دهد.

در حال حاضر، محققان در حال تنظیم دقیق روش برای بهبود بیشتر دقت آن هستند.

عملکرد HDMI در مطالعه جدید خوب بود اما کامل نبود. علیزاد گفت: یکی از دلایل این است که تیروئید نزدیک شریان کاروتید است که به طور منظم نبض می زند و حرکتی ایجاد می کند که می تواند در اندازه گیری سونوگرافی اختلال ایجاد کند.

زمانی که چالش دیگری پیش می‌آید، محققان فرصت دیگری را برای کمک به یادگیری ماشین می‌بینند، زیرا اکنون در می‌یابند که ممکن است ابزار مناسبی برای پاک کردن اثرات حرکت از تصاویر باشد.

دکتر رندی کینگ، مدیر برنامه اولتراسوند در بخش علوم و فناوری کاربردی در گفت: «با یافتن هم‌افزایی بین دو فناوری نوظهور، نویسندگان روشی را توسعه داده‌اند که می‌تواند منجر به پیشرفت‌های واقعی در تشخیص سرطان شود. موسسه ملی تصویربرداری زیست پزشکی و مهندسی زیستی (NIBIB).

علی‌رغم یافته‌های امیدوارکننده، علیزاد و نویسندگان همکارش همچنان قصد دارند زمینه جدیدی را با HDMI پوشش دهند. به‌ویژه، هدف آن‌ها بررسی این است که آیا این روش در تشخیص سایر انواع سرطان‌ها مؤثر است یا خیر و آیا می‌تواند به ردیابی میزان پاسخگویی توده‌های سرطانی به شیمی‌درمانی کمک کند.