هوش مصنوعی به کمک ارزیابی بهتر پاسخ به درمان تومورهای مغزی می‌آید.

یک تیم از بیمارستان دانشگاه هایدلبرگ و مرکز تحقیقات سرطان آلمان، روشی جدید برای تحلیل خودکار تصاویر تومورهای مغزی ایجاد کرده‌اند. آن‌ها در مقاله اخیر خود نشان‌ داده‌اند که یادگیری ماشین که به دقت با تصاویر MRI آموزش داده شده باشد، قابل اعتمادتر و دقیق‌تر از روش‌های رادیولوژیک درمان تومورهای مغزی است. بدین ترتیب سهم ارزشمندی در درمان تومورها دارد. علاوه بر این، یافتن روش معتبر یک گام مهم در راستای تجزیه و تحلیل داده‌های تصویری تومورهای مغزی است.

گلیوماها شایع ترین و بدخیمترین تومورهای مغزی در بزرگسالان هستند. در آلمان، حدود 4500 نفر در سال با یک گلیوما تشخیص داده می‌شوند. تومورها را اغلب نمی‌توان طور کامل با عمل جراحی خارج نمود. شیمیدرمانی یا پرتودرمانی تنها به میزان محدود موثر واقع می‌شوند زیرا تومورها بسیار مقاوم هستند. بنابراين ضروری است که روش‌ها‌ی جدید و معتبری ایجاد شود.

یکی از معیارهای ضروری برای ارزیابی دقیق اثربخشی درمان جدید برای تومورهای مغزی، پویایی رشد است که توسط MRI تعیین می شود. با این حال، اندازه‌گیری دستی انتشار تومور در اسکن‌های MRI با کنتراست بالا، مستعد خطاست و منجر به نتایج نسبتا متفاوتی می‌شود. مارتین بندزوس، مدیر گروه پزشکی نورولوژی دانشگاه هایدلبرگ می‌گوید: " این می‌تواند تاثیر منفی بر ارزیابی پاسخ درمان و از این رو تاثیر منفی بر اظهارات علمی بر اساس تصویربرداری داشته باشد."

در مطالعه‌ی حاضر، پزشکان و دانشمندان بیمارستان دانشگاه هایدلبرگ و مرکز تحقیقات سرطان آلمان، پتانسیل خوبی برای روش‌های یادگیری ماشین برای تشخیص‌های رادیولوژیک توصیف می‌کنند. این گروه، شبکه‌های عصبی را به منظور ارزیابی و تایید بالینی پاسخ‌های درمانی تومورهای مغزی بر اساس MRI در یک روش استاندارد و کاملا خودکار بررسی می‌کنند. یک تیم به رهبری فیلیپ کیچنگردر از دپارتمان نورولوژی بیمارستان دانشگاه هایدلبرگ، روی بخش‌بندی پردازش تصاویر پزشکی (به سرپرستی: کلاوس مایر-هاین) در مرکز تحقیقات سرطان آلمان با همکارانی از مرکز ملی بیماری‌های تومور و دپارتمان نورولوژی بیمارستان دانشگاه هایدلبرگ در این پروژه شرکت دارند.

با استفاده از پایگاه داده مرجع اسکن MRI بیمارستان دانشگاه هایدلبرگ، الگوریتم شبکه عصبی توانست با استفاده از 500 نمونه بیمار تومور مغزی، محل تومور را به طور خودکار تشخیص دهد. علاوه بر این، الگوریتم‌ها به منظور اندازه گیری نواحی خاص (کنتراست ناحیه تومور با جذب متوسط، اِدِم پریتومورال) و ارزیابی دقیق پاسخ به درمان، آموزش داده شدند.

نتایج با همکاری سازمان تحقیقات و درمان سرطان اروپا تایید شد. کیچنگر توضیح می‌دهد:" ارزیابی بیش از 2000 اسکن MRI از 534 بیمار مبتلا به گلیوبلاستوما از سراسر اروپا نشان می‌دهد که روشی مبتنی بر رایانهی ما امکان ارزیابی قابل اعتمادتری از پاسخ درمان را نسبت به روش متداول اندازه گیری دستی فراهم می‌کند. ما توانستیم 36٪ اعتبار ارزیابی را بهبود بخشیم. این مقدار می‌تواند برای ارزیابی‌های تصویر‌محور پاسخ به درمان در آزمایشات بالینی بسیار مهم باشد. پیش‌بینی زنده ماندن بیمار نیز با روش جدید ما دقیق‌تر بود".

هدف پزشکان و دانشمندان بیمارستان دانشگاه هایدلبرگ این است که از تکنولوژی برای تسریع ارزیابی‌های استاندارد شده و خودکار پاسخ به درمان بیماران مبتلا به تومور مغزی در مقالات و روند بالینی استفاده کنند. علاوه بر این، محققان یک زیرساخت نرم افزاری را طراحی و ارزیابی کرده‌اند که امکان ادغام کامل روش جدید را در زیرساخت‌های رادیولوژیکی موجود فراهم می‌کند. کلاوس مایر-هاین توضیح می‌دهد: " به این ترتیب ما پیش‌نیازهای استفاده گسترده و کاملا خودکار پردازش و تحلیل اسکنهای MRI تومورهای مغزی را در چند دقیقه ایجاد می‌کنیم."

هم اکنون این تکنولوژی جدید برای ارزیابی دوباره در بیمارستان دانشگاه هایدلبرگ به عنوان بخشی از مطالعه بالینی برای بهبود درمان بیماران مبتلا به گلیوبلاستوما، به کار برده می‌شود. برای درمان دقیق، یک ارزیابی استاندارد شده و قابل اعتماد از اثربخشی روش‌های جدید درمان مهم است. ولفگانگ ویک توضیح می‌دهد که تکنولوژی‌ای که ما توسعه داده‌ایم، می‌تواند در این زمینه نقش مهمی ایفا کند.

فیلیپ کیچنگردر می‌گوید: " با این مطالعه، توانستیم پتانسیل عالی شبکه‌های عصبی مصنوعی را در تشخیص رادیولوژیک نشان دهیم". کلاوس مایر-هاین اضافه می‌کند:" ما می‌خواهیم در آینده تکنولوژی تشخیص و تحلیل خودکار تصاویر پزشکی را نه تنها برای تومورهای مغزی بلکه برای دیگر بیماری‌ها همچون متاستازی و ام‌اس نیز استفاده کنیم."

منبع: SienceDaily

مترجم: عباس یاری، دبیر کارگروه نوروسایکولوژی شاخه دانشجویی نقشه‌برداری مغز ایران