روش نوین در آنالیز ماموگرام برای پیشبینی خطر سرطان سینه
یک تحقیق تازه از دانشکدهی پزشکی دانشگاه واشنگتن در سنتلوئیس، یه روش ابتکاری برای تحلیل ماموگرامها معرفی کرده که دقت پیشبینی خطر ابتلا به سرطان سینه در 5 سال آینده رو بهشکل قابل توجهی بالا میبره. این روش نوین با استفاده از اطلاعات حداکثر سه سال ماموگرامهای قبلی، تونسته آدمایی که در معرض خطر زیاد سرطان سینه قرار دارن رو 2.3 برابر دقیقتر از روشهای معمول شناسایی کنه. روشهای معمول فقط بر اساس یه سری پرسشنامه هستن که فاکتورهای خطر بالینی مثل سن، نژاد و سابقهی خانوادگی سرطان سینه رو در نظر میگیرن. این پژوهش در تاریخ 5 دسامبر در مجلهی «JCO Clinical Cancer Informatics» منتشر شده.
گراهام آ. کلدیتز، نویسندهی ارشد و مدیر مرکز سرطان سیتمن در بیمارستان بارنز-یهود و دانشگاه واشنگتن، گفت: «ما دنبال راههایی برای بهبود تشخیص زودهنگام هستیم، چون این مسئله شانس موفقیت در درمان رو افزایش میده.» اون اضافه کرد: «این پیشبینی دقیقتر از خطر، میتونه به تحقیقات مربوط به پیشگیری هم کمک کنه، تا بتونیم راههای بهتری برای کاهش خطر ابتلا به سرطان سینه در زنانی که ریسک بالایی دارن، پیدا کنیم.»
این روش پیشبینی خطر، بر اساس تحقیقات قبلیای بنا شده که توسط کلدیتز و نویسندهی اصلی، شو (جوی) جیانگ، دکترا، آمارشناس و استاد جراحی در بخش علوم بهداشت عمومی دانشگاه واشنگتن، انجام شده. محققان نشون دادن که ماموگرامهای قبلی حاوی اطلاعات زیادی دربارهی نشانههای اولیهی ابتلا به سرطان سینه هستن که حتی با چشم آموزشدیده هم دیده نمیشن. این اطلاعات شامل تغییرات ظریف در طول زمان در تراکم بافت سینه است، که معیاری از نسبت بافت فیبری به بافت چربی در سینههاست.
برای این تحقیق جدید، تیم پژوهشی یه الگوریتم مبتنی بر هوش مصنوعی طراحی کردن که میتونه تفاوتهای ظریف در ماموگرامها رو تشخیص بده و به شناسایی زنانی که در یک بازهی زمانی مشخص، در معرض خطر بالای ایجاد تومور جدید در سینه قرار دارن، کمک کنه. علاوه بر تراکم سینه، این ابزار یادگیری ماشینی، تغییرات در الگوهای دیگه در تصاویر، مثل بافت، کلسیفیکاسیون و عدم تقارن در سینهها رو هم در نظر میگیره.
جیانگ گفت: «روش جدید ما میتونه تغییرات ظریفی که در تصاویر ماموگرام تکراری (که با چشم قابل دیدن نیستن) رو تشخیص بده.» و اضافه کرد: «این تغییرات، اطلاعات ارزشمندی دارن که میتونن به شناسایی افرادی که در معرض خطر بالا هستن، کمک کنن.»

در حال حاضر، گزینههای موجود برای کاهش خطر محدود هستن و میتونن شامل داروهایی مثل تاموکسیفن بشن که خطر رو کم میکنن، اما ممکنه عوارض جانبی ناخواستهای داشته باشن. بیشتر وقتا، به زنانی که در معرض خطر بالا هستن، پیشنهاد میشه که غربالگریهای بیشتری انجام بدن یا این که یه روش تصویربرداری دیگه مثل MRI رو برای شناسایی زودهنگام سرطان در نظر بگیرن.
دبی ال. بنت، نویسندهی همکار و استاد جراحی و سرپرست بخش تصویربرداری سینه در مؤسسهی تصویربرداری مالینکروت دانشگاه واشنگتن، گفت: «امروزه، ما راهی برای دونستن این که چه کسانی احتمال داره در آینده به سرطان سینه مبتلا بشن، بر اساس تصاویر ماموگرامشون، نداریم.»
تحقیق جدید: بهبود پیشبینی ابتلا به سرطان سینه با استفاده از الگوریتمهای هوش مصنوعی
چیزی که در این تحقیق هیجانانگیزه اینه که نشون میده میشه از ماموگرافیهای فعلی و قبلی، با کمک این الگوریتمها، اطلاعاتی استخراج کرد. هرچند پیشبینیها هیچوقت بهطور کامل دقیق نخواهند بود، اما این پژوهش نشون میده که الگوریتم جدید خیلی بهتر از روشهای فعلی ماست.
آموزش الگوریتم با استفاده از دادههای واقعی
محققان، الگوریتم یادگیری ماشینی خودشون رو روی ماموگرافیهای بیش از 10،000 زن که از سال 2008 تا 2012 در مرکز سرطان سیتمن غربالگری سرطان سینه انجام داده بودن، آموزش دادن. این افراد تا سال 2020 تحت پیگیری قرار گرفتن و در این مدت، 478 نفر از اونها به سرطان سینه مبتلا شدن. بعدش محققان روش خودشون رو برای پیشبینی ریسک سرطان سینه در یه گروه جداگانه از بیماران، شامل بیش از 18،000 زن که از سال 2013 تا 2020 در دانشگاه اِموری در منطقهی آتلانتا ماموگرافی انجام داده بودن، به کار بردن. در این دورهی پیگیری که تا سال 2020 ادامه داشت، 332 زن به سرطان سینه مبتلا شدن.

مدل پیشبینی جدید و نتایجش
بر اساس مدل پیشبینی جدید، زنانی که در گروه پرخطر قرار دارن، 21 برابر بیشتر از زنانی که در گروه کمخطر قرار دارن، احتمال داره در 5 سال آینده تشخیص سرطان سینه بگیرن. تو گروه پرخطر، 53 نفر از هر 1,000 زن که غربالگری شدن، در 5 سال آینده به سرطان سینه مبتلا شدن. در مقابل، در گروه کمخطر، 2.6 نفر از هر 1,000 زن که غربالگری شدن، در 5 سال آینده به سرطان سینه مبتلا شدن.
تو روشهای قدیمی مبتنی بر پرسشنامه، فقط 23 زن از هر 1,000 زن غربالگری شده بهدرستی در گروه پرخطر طبقهبندی شدن، که نشون میده روش قدیمی در این مورد، 30 مورد سرطان سینه که روش جدید شناسایی کرده بود رو، از دست داده.
دقت الگوریتم در محیطهای مختلف
ماموگرافیها توی مراکز پزشکی دانشگاهی و کلینیکهای جامعه انجام شده، که نشون میده دقت این روش در محیطهای مختلف حفظ میشه. نکتهی مهم اینه که الگوریتم با نمایندگی قوی از زنان سیاهپوست ساخته شده، که معمولا در توسعهی مدلهای ریسک سرطان سینه، کمتر مورد توجه قرار میگیرن. دقت پیشبینی ریسک بین گروههای نژادی مختلف حفظ شده. از زنانی که از طریق سیتمن غربالگری شدن، بیشترشون سفیدپوست بودن و 27٪ سیاهپوست بودن. از زنانی که از طریق اموری غربالگری شدن، 42٪ سیاهپوست بودن.

توسعه و گسترش الگوریتم
در کارهای جاری، محققان دارن الگوریتم رو روی زنانی با پیشینههای نژادی و قومی مختلف، از جمله افرادی از نژاد آسیایی، آسیای جنوب شرقی و بومی آمریکا، آزمایش میکنن تا مطمئن بشن این روش برای همه بهطور یکسان دقیق هست. محققان دارن با دفتر مدیریت فناوری دانشگاه واشنگتن همکاری میکنن تا پتنت ثبت کنن و مجوز این روش جدید رو بگیرن، تا هدفشون این باشه که اون رو بهطور گسترده در دسترس قرار بدن، در هر جایی که ماموگرافیهای غربالگری ارائه میشه.
کولیتز و جیان همچنین دارن روی تأسیس یه شرکت استارتاپی با محوریت این فناوری کار میکنن.
جیانگ، اس؛ بنت، دیال؛ روزنر، بیای؛ تامی، آرام؛ کولیتز، جیای. توسعه و اعتبارسنجی یک مدل ریسک سرطان سینه 5 ساله دینامیک با استفاده از ماموگرافیهای مکرر. JCO Clinical Cancer Informatics. 5 دسامبر 2024.
این کار با حمایت دانشکدهی پزشکی دانشگاه واشنگتن در سنتلوئیس انجام شده. جیان و کولیتز در حال حاضر منتظر ثبت پتنتهای مرتبط با این کار هستن، که پیشبینی ریسک بیماری با استفاده از تصاویر رادیومیک رو هم شامل میشه.
بیشتر بخوانید
مدیتیشن یک روز پربرکت برای جذب عشق وامنیت و سلامتی
خود هیپنوتیزم درمان زود انزالی در مردان توسط هیپنوتراپیست رضا خدامهری
تقویت سیستم ایمنی بدن با خود هیپنوتیزم
شمس و طغری
خود هیپنوتیزم ماندن در رژیم لاغری و درمان قطعی چاقی کاملا علمی و ایمن
خود هیپنوتیزم تقویت اعتماد به نفس و عزت نفس