تشخیص سریع‌تر سرطان لوزالمعده با هوش مصنوعی: امید تازه‌ای برای درمان

مدل پیشرفته‌ی یادگیری ژرف برای دسته بندی سرطان لوزالمعده

یه گروه از محققان، موفق شدن یه مدل یادگیری عمیق بسازن که می‌تونه سرطان آدنوکارسینومای مجرای لوزالمعده (PDAC)، که شایع‌ترین نوعِ سرطان لوزالمعده‌ست، رو به زیرگروه‌های مولکولی مختلف تقسیم کنه. این روش، یه دقت خیلی خوبی داره و یه راهکارِ سریع و کم‌هزینه‌تر نسبت به روش‌های فعلیه، چون این روش‌ها به آزمایش‌های مولکولی پُرهزینه وابسته‌ن. یه مطالعه‌ی جدید که تو نشریه‌ی آمریکاییِ آسیب‌شناسی (پاتولوژی)، که توسط الزویر منتشر شده، نشون می‌ده که این روش می‌تونه کمک زیادی به استراتژی‌های درمانیِ شخصی‌سازی شده و بهبودِ نتیجه‌ی درمانِ بیماران بکنه.

سرطان PDAC، تازگیا از سرطان سینه پیشی گرفته و تبدیل به سومین عامل مرگ‌ومیر ناشی از سرطان در کانادا و آمریکا شده. اگه این سرطان به موقع تشخیص داده بشه، جراحی می‌تونه حدود یک‌پنجم از موارد ابتلا به PDAC رو درمان کنه. با این حال، حتی بعد از جراحی هم نرخ بقا بعد از پنج سال فقط ۲۰ درصده. تقریباً ۸۰ درصد از بیماران، همون موقعی که بیماریشون تشخیص داده می‌شه، دچار بیماری متاستاتیک هستن و بیشتر این بیماران هم تو کمتر از یه سال فوت می‌کنن.

خطرناک بودنِ PDAC، یه چالش خیلی بزرگ تو استفاده از تکنولوژی‌های توالی‌یابی برای تعیین برنامه‌ی درمانیِ بیماران درست می‌کنه. پیشرفت سریع این بیماری، نیازمند یه اقدام سریع واسه شناسایی افرادی که شرایط لازم رو دارن برای درمان‌های هدفمند و شرکت تو آزمایشات بالینیه. اما زمان‌های فعلی واسه شناسایی جنبه‌های مولکولی، که بین ۱۹ تا ۵۲ روز از زمان نمونه‌برداری متغیره، نمی‌تونه به این نیازها که خیلی فوری و مهم هستن، جواب بده.

دکتر دیوید شافر، که محقق همکار و عضو دپارتمان آسیب‌شناسی و پزشکی آزمایشگاهیِ دانشگاه بریتیش کلمبیا و بیمارستان عمومی ونکووره، توضیح می‌ده: “هر روز زیرگروه‌های قابل درمان بیشتری برای شخصی‌سازیِ درمان بیماران مبتلا به سرطان لوزالمعده شناسایی می‌شن. با این حال، تقسیم‌بندی هنوز کاملاً بر اساس روش‌های ژنومیِ مبتنی بر DNA و RNA هست که از بافت استخراج می‌شه.”

روش جدید برای شناسایی زیرگروه‌های مولکولیِ سرطان لوزالمعده

این روش، اگه بافت کافی در دسترس باشه، خیلی تأثیرگذاره. ولی تو مورد تومورهای سرطان لوزالمعده (PDAC)، به خاطر موقعیتِ سختِ آناتومیکی این ارگان، همیشه این‌طور نیست. مطالعه‌ی ما یه روش امیدبخش واسه‌ی دسته بندیِ زیرگروه‌های مولکولیِ PDAC، به صورتِ کم‌هزینه و سریع بر اساس اسلایدهای رنگ‌آمیزی شده با هماتوکسیلین و ائوزین (H&E) ارائه می‌ده، که می‌تونه به مدیریت بالینیِ مؤثرتر این بیماری منجر بشه.

این مطالعه شامل آموزشِ مدل‌های هوش مصنوعیِ یادگیریِ عمیق بر روی تصاویرِ آسیب‌شناسی از کل اسلایدها بود، تا زیرگروه‌های مولکولی PDAC رو شناسایی کنه – شامل زیرگروه‌های کلاسیک و پایه‌ای – با استفاده از اسلایدهای رنگ‌آمیزی شده با H&E. رنگ‌آمیزی H&E یه تکنیکِ ارزون و در دسترسه که معمولاً با زمانِ پاسخِ سریع تو آزمایشگاه‌های آسیب‌شناسی برای تشخیص و پیش‌بینی استفاده می‌شه.

مدل‌ها روی 97 اسلاید از “پروژه‌ی ژنوم سرطان” (TCGA) آموزش داده شدن و روی 110 اسلاید از 44 بیمار تو یه گروه محلی آزمایش شدن. بهترین مدل، دقت 96.19% رو تو شناسایی زیرگروه‌های کلاسیک و پایه‌ای تو مجموعه‌ی داده‌های TCGA و 83.03% تو گروه محلی به دست آورد، که نشون‌دهنده‌ی استحکامش تو مجموعه‌های داده‌ی مختلفه.

علی بشاشتی، که دکترای مهندسی زیست‌پزشکی داره و عضو گروه آسیب‌شناسی و پزشکی آزمایشگاهیِ دانشگاه بریتیش کلمبیاست، می‌گه: “حساسیت و ویژگیِ این مدل، به ترتیب ۸۵% و ۱۰۰% بود، که این ابزار هوش مصنوعی رو به یه ابزار خیلی کاربردی برای غربالگریِ بیماران واسه آزمایش‌های مولکولی تبدیل می‌کنه. همچنین، دستاورد اصلی این مطالعه اینه که مدل هوش مصنوعی تونست زیرگروه‌ها رو از تصاویر بیوپسی شناسایی کنه، که این باعث می‌شه این ابزار، یه ابزار خیلی مفید باشه که می‌تونه تو زمان تشخیص بکار برده بشه.”

دکتر بشاشتی در پایان اضافه می‌کنه: “این رویکرد مبتنی بر هوش مصنوعی، یه پیشرفت هیجان‌انگیز تو تشخیصِ سرطان لوزالمعده محسوب می‌شه و این امکان رو به ما می‌ده که زیرگروه‌های مولکولیِ کلیدی رو به سرعت و به صورتِ کم‌هزینه شناسایی کنیم.”

“`