پیش‌بینی دقیق‌تر سرطان پستان با تحلیل چند ماموگرافی

روش نوین تحلیل ماموگرام‌ها برای پیش‌بینی خطر ابتلا به سرطان سینه

یک مطالعه جدید از دانشکده پزشکی دانشگاه واشنگتن در سنت لوئیس، روشی نوآورانه برای تحلیل ماموگرام‌ها ارائه می‌دهد که به طور قابل توجهی دقت پیش‌بینی خطر ابتلا به سرطان سینه را در پنج سال آینده بهبود می‌بخشد. این روش جدید با استفاده از حداکثر سه سال ماموگرام‌های قبلی، توانسته است افراد در معرض خطر بالا برای ابتلا به سرطان سینه را ۲.۳ برابر دقیق‌تر از روش استاندارد شناسایی کند. روش استاندارد تنها بر اساس پرسشنامه‌هایی است که عوامل خطر بالینی مانند سن، نژاد و سابقه خانوادگی سرطان سینه را ارزیابی می‌کند. این مطالعه در تاریخ ۵ دسامبر در نشریه JCO Clinical Cancer Informatics منتشر شده است.

گراهام آ. کلدیتز، نویسنده ارشد و مدیر مرکز سرطان سیتمن در بیمارستان بارنز-یهود و دانشگاه واشنگتن، گفت: “ما به دنبال راه‌هایی برای بهبود تشخیص زودهنگام هستیم، زیرا این امر شانس درمان موفق را افزایش می‌دهد.” او افزود: “این پیش‌بینی بهبود یافته از خطر همچنین می‌تواند به تحقیقات مربوط به پیشگیری کمک کند، تا بتوانیم راه‌های بهتری برای کاهش خطر ابتلا به سرطان سینه در زنان با ریسک بالا پیدا کنیم.”

این روش پیش‌بینی خطر بر اساس تحقیقات قبلی که توسط کلدیتز و نویسنده اصلی، شو (جوی) جیانگ، دکتری، یک آمارشناس و استاد جراحی در بخش علوم بهداشت عمومی دانشگاه واشنگتن، انجام شده، بنا شده است. محققان نشان دادند که ماموگرام‌های قبلی حاوی اطلاعات زیادی درباره نشانه‌های اولیه ابتلا به سرطان سینه هستند که حتی با چشم انسان آموزش‌دیده نیز قابل تشخیص نیستند. این اطلاعات شامل تغییرات ظریف در طول زمان در چگالی سینه است که معیاری از نسبت بافت فیبری به بافت چربی در سینه‌ها می‌باشد.

برای مطالعه جدید، تیم تحقیقاتی یک الگوریتم مبتنی بر هوش مصنوعی طراحی کرد که می‌تواند تفاوت‌های ظریف در ماموگرام‌ها را تشخیص دهد و به شناسایی زنانی که در معرض خطر بالای ابتلا به تومور جدید سینه در یک بازه زمانی خاص هستند، کمک کند. علاوه بر چگالی سینه، ابزار یادگیری ماشین آن‌ها تغییرات در الگوهای دیگر در تصاویر، از جمله بافت، کلسیم‌سازی و عدم تقارن در سینه‌ها را نیز در نظر می‌گیرد.

جیانگ گفت: “روش جدید ما قادر است تغییرات ظریف در تصاویر ماموگرام تکراری را که برای چشم قابل مشاهده نیست، شناسایی کند.” او افزود: “این تغییرات اطلاعات غنی‌ای دارند که می‌تواند به شناسایی افراد در معرض خطر بالا کمک کند.”

در حال حاضر، گزینه‌های کاهش خطر محدود هستند و می‌توانند شامل داروهایی مانند تاموکسیفن باشند که خطر را کاهش می‌دهند اما ممکن است عوارض جانبی ناخواسته‌ای داشته باشند. در بیشتر مواقع، به زنان در معرض خطر بالا پیشنهاد می‌شود که غربالگری‌های بیشتری انجام دهند یا گزینه افزودن یک روش تصویربرداری دیگر، مانند MRI، را برای شناسایی زودهنگام سرطان در نظر بگیرند.

دبی ال. بنت، نویسنده همکار و استاد جراحی و رئیس تصویربرداری سینه در موسسه تصویربرداری مالینکروت دانشگاه واشنگتن، گفت: “امروز، ما راهی برای دانستن اینکه چه کسانی احتمالاً در آینده به سرطان سینه مبتلا خواهند شد، بر اساس تصاویر ماموگرام‌هایشان نداریم.”

تحقیق جدید: بهبود پیش‌بینی توسعه سرطان سینه با استفاده از الگوریتم‌های هوش مصنوعی

آنچه در این تحقیق هیجان‌انگیز است، نشان می‌دهد که می‌توان اطلاعاتی را از ماموگرافی‌های کنونی و قبلی با استفاده از این الگوریتم‌ها استخراج کرد. هرچند پیش‌بینی‌ها هرگز به‌طور کامل دقیق نخواهند بود، اما این مطالعه نشان می‌دهد که الگوریتم جدید به مراتب بهتر از روش‌های کنونی ماست.

آموزش الگوریتم با استفاده از داده‌های واقعی

محققان الگوریتم یادگیری ماشینی خود را بر روی ماموگرافی‌های بیش از ۱۰,۰۰۰ زن که از سال ۲۰۰۸ تا ۲۰۱۲ در مرکز سرطان سیتمن غربالگری سرطان سینه انجام داده بودند، آموزش دادند. این افراد تا سال ۲۰۲۰ تحت پیگیری قرار گرفتند و در این مدت، ۴۷۸ نفر از آن‌ها به سرطان سینه مبتلا شدند. سپس محققان روش خود را برای پیش‌بینی ریسک سرطان سینه در یک مجموعه جداگانه از بیماران، شامل بیش از ۱۸,۰۰۰ زن که از سال ۲۰۱۳ تا ۲۰۲۰ در دانشگاه اموری در منطقه آتلانتا ماموگرافی انجام داده بودند، به کار بردند. در این دوره پیگیری که تا سال ۲۰۲۰ ادامه داشت، ۳۳۲ زن به سرطان سینه مبتلا شدند.

مدل پیش‌بینی جدید و نتایج آن

بر اساس مدل پیش‌بینی جدید، زنان در گروه پرخطر ۲۱ برابر بیشتر از زنان در گروه کم‌خطر احتمال تشخیص سرطان سینه را در پنج سال آینده دارند. در گروه پرخطر، ۵۳ نفر از هر ۱,۰۰۰ زن غربالگری شده در پنج سال آینده به سرطان سینه مبتلا شدند. در مقابل، در گروه کم‌خطر، ۲.۶ نفر از هر ۱,۰۰۰ زن غربالگری شده در پنج سال آینده به سرطان سینه مبتلا شدند.

در روش‌های قدیمی مبتنی بر پرسشنامه، تنها ۲۳ زن از هر ۱,۰۰۰ زن غربالگری شده به‌درستی در گروه پرخطر طبقه‌بندی شدند، که نشان می‌دهد روش قدیمی در این مورد ۳۰ مورد سرطان سینه را که روش جدید شناسایی کرده بود، از دست داده است.

دقت الگوریتم در محیط‌های مختلف

ماموگرافی‌ها در مراکز پزشکی دانشگاهی و کلینیک‌های جامعه انجام شده است که نشان می‌دهد دقت این روش در محیط‌های مختلف حفظ می‌شود. به‌طور مهم، الگوریتم با نمایندگی قوی از زنان سیاه‌پوست ساخته شده است که معمولاً در توسعه مدل‌های ریسک سرطان سینه کمتر نمایندگی می‌شوند. دقت پیش‌بینی ریسک در میان گروه‌های نژادی مختلف حفظ شده است. از زنانی که از طریق سیتمن غربالگری شده‌اند، بیشتر آن‌ها سفیدپوست بودند و ۲۷٪ سیاه‌پوست بودند. از زنانی که از طریق اموری غربالگری شده‌اند، ۴۲٪ سیاه‌پوست بودند.

توسعه و گسترش الگوریتم

در کارهای جاری، محققان در حال آزمایش الگوریتم در زنانی با زمینه‌های نژادی و قومی متنوع، از جمله افرادی از نژاد آسیایی، آسیای جنوب شرقی و بومی آمریکا هستند تا اطمینان حاصل کنند که این روش برای همه به‌طور یکسان دقیق است. محققان در حال همکاری با دفتر مدیریت فناوری دانشگاه واشنگتن برای ثبت اختراعات و صدور مجوز برای این روش جدید هستند تا هدفشان این باشد که آن را به‌طور گسترده در دسترس قرار دهند، هر جا که ماموگرافی‌های غربالگری ارائه می‌شود.

کولیتز و جیان همچنین در حال کار بر روی تأسیس یک شرکت استارتاپی حول این فناوری هستند.

جیان، اس؛ بنت، دی‌ال؛ روزنر، بی‌ای؛ تامی، آر‌ام؛ کولیتز، جی‌ای. توسعه و اعتبارسنجی یک مدل ریسک سرطان سینه ۵ ساله دینامیک با استفاده از ماموگرافی‌های تکراری. JCO Clinical Cancer Informatics. ۵ دسامبر ۲۰۲۴.

این کار با حمایت دانشکده پزشکی دانشگاه واشنگتن در سنت لوئیس انجام شده است. جیان و کولیتز در حال حاضر در حال انتظار برای ثبت اختراعات مرتبط با این کار هستند که پیش‌بینی ریسک بیماری با استفاده از تصاویر رادیومیک را شامل می‌شود.