[ad_1]
محققان موسسه Karolinska در سوئد به همراه همکاران بین المللی اعتبار بین المللی جامع هوش مصنوعی (AI) را برای تشخیص و درجه بندی سرطان پروستات تکمیل کردند. این مطالعه، منتشر شده در طب طبیعتنشان میدهد که سیستمهای هوش مصنوعی میتوانند سرطان پروستات را در نمونههای بافتی از کشورهای مختلف به خوبی شناسایی و درجهبندی کنند. به گفته محققان، نتایج نشان میدهد که سیستمهای هوش مصنوعی آماده هستند تا بهعنوان ابزاری مکمل در مراقبت از سرطان پروستات معرفی شوند.
اعتبار سنجی بین المللی از طریق مسابقه ای به نام PANDA انجام شد. این رقابت به مدت سه ماه به طول انجامید و بیش از 1000 متخصص هوش مصنوعی را به چالش کشید تا سیستم هایی را برای درجه بندی دقیق سرطان پروستات ایجاد کنند.
نوآوری سریع
کیمو کارتاسالو، محقق در بخش اپیدمیولوژی پزشکی و میگوید: «فقط ده روز پس از مسابقه، الگوریتمهایی با میانگین آسیبشناسان ایجاد شد. سازماندهی PANDA نشان میدهد که چگونه مسابقات میتواند نوآوری سریع را برای حل مشکلات خاص در مراقبتهای بهداشتی با کمک هوش مصنوعی تسریع بخشد.» آمار زیستی در موسسه کارولینسکا و نویسنده مسئول این مطالعه.
یک مشکل در تشخیص سرطان پروستات امروزی این است که پاتولوژیست های مختلف می توانند حتی برای نمونه های مشابه بافت به نتایج متفاوتی برسند، به این معنی که تصمیمات درمانی بر اساس اطلاعات نامشخص است. محققان بر این باورند که استفاده از فناوری هوش مصنوعی پتانسیل زیادی برای بهبود تکرارپذیری دارد، یعنی افزایش ثبات ارزیابی نمونههای بافتی صرف نظر از اینکه کدام آسیبشناس ارزیابی را انجام میدهد، که منجر به انتخاب دقیقتر درمان میشود.
تشخیص دقیق
محققان KI در مطالعات قبلی نشان دادهاند که سیستمهای هوش مصنوعی میتوانند نشان دهند که آیا یک نمونه بافت سرطان دارد یا نه، میزان بافت تومور را در بیوپسی تخمین میزند و شدت سرطان پروستات را در مقایسه با کارشناسان بینالمللی درجهبندی میکند. با این حال، چالش اصلی مرتبط با پیادهسازی هوش مصنوعی در مراقبتهای بهداشتی این است که سیستمهای هوش مصنوعی اغلب نسبت به دادههایی که با دادههای مورد استفاده برای آموزش سیستم متفاوت است بسیار حساس هستند و درنتیجه ممکن است نتایج قابل اعتماد و قوی در صورت استفاده در بیمارستانهای دیگر و کشورهای دیگر ایجاد نکنند.
نتایج PANDA برای اولین بار نشان میدهد که سیستمهای هوش مصنوعی میتوانند تشخیص دقیق و درجهبندی سرطان پروستات را در یک محیط بینالمللی مانند آسیبشناسان انسانی ایجاد کنند. قدم بعدی مطالعات کنترلشده برای ارزیابی نحوه معرفی بهترین سیستمهای هوش مصنوعی در مراقبت از بیمار است. مارتین اکلوند، دانشیار گروه اپیدمیولوژی پزشکی و آمار زیستی در موسسه کارولینسکا و آخرین نویسنده این مطالعه می گوید.
او ادامه میدهد: «مطالعات آینده همچنین باید شامل طیف وسیعتری از نمونهبرداریهای نادر اما غیرمعمول چالشبرانگیز و همچنین نمونههایی از کشورهایی با قومیت و جمعیتشناسی متنوعتر باشد».
جایگزینی برای متخصصان انسانی نیست
ارزیابی بیوپسیهای سرطان پروستات مبتنی بر هوش مصنوعی این پتانسیل را دارد که کیفیت تشخیصی را بهبود بخشد و در نتیجه مراقبتهای یکسانتر و یکسان را با هزینه کمتر برای بیماران تضمین کند.
ایده این نیست که هوش مصنوعی جایگزین متخصصان انسانی شود، بلکه به عنوان یک شبکه ایمنی عمل کند تا آسیب شناسان موارد سرطان را از دست ندهند و به استانداردسازی ارزیابی ها کمک کند. هوش مصنوعی همچنین می تواند گزینه ای در آن بخش از جهان باشد که امروزه کاملاً فاقد آن هستند. لارس اگواد، استاد بخش انکولوژی-پاتولوژی در موسسه کارولینسکا و یکی از متخصصان آسیب شناسی پروستات که در این مطالعه مشارکت داشته است، می گوید.
این مطالعه با همکاری همکارانی از مرکز پزشکی دانشگاه رادبود در هلند، Google Health در ایالات متحده و دانشگاه تورکو در فنلاند انجام شد. بودجه آن توسط شورای تحقیقات سوئد، انجمن سرطان سوئد و فدراسیون سرطان پروستات سوئد و غیره تامین شد. چندین نویسنده دارای ارتباطات صنعتی و حق ثبت اختراع مربوط به تشخیص سرطان پروستات یا یادگیری ماشینی برای تصاویر پزشکی هستند و برخی از آنها غرامت پولی از شرکت ها دریافت کرده اند.
حقایقی در مورد سرطان پروستات:
- سرطان پروستات عامل اصلی مرگ و میر ناشی از سرطان در میان مردان در سوئد است.
- سالانه بیش از 20 میلیون نمونه بافت پروستات در اروپا و ایالات متحده بررسی می شود.
- در سطح جهانی، کمبود پاتولوژیست وجود دارد و بسیاری از کشورهای در حال توسعه کمتر از یک آسیب شناس به ازای هر یک میلیون نفر جمعیت دارند.
- دشواری ارزیابی نمونههای بافت پروستات به شیوهای عینی و قابل تکرار، یک گلوگاه برای کاهش مرگومیر سرطان پروستات است.
منبع داستان:
مواد ارائه شده توسط موسسه کارولینسکا. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
[ad_2]