ابزار هوشمند تشخیصی برای تشخیص سریع سرطان پانکراس

مدل یادگیری عمیق برای طبقه‌بندی سرطان پانکراس

محققان موفق به توسعه یک مدل یادگیری عمیق شده‌اند که سرطان آدنوکارسینومای مجرای پانکراس (PDAC)، شایع‌ترین نوع سرطان پانکراس، را به زیرگروه‌های مولکولی طبقه‌بندی می‌کند. این روش دقت بالایی را به همراه دارد و یک جایگزین سریع و مقرون به صرفه برای روش‌های کنونی است که به آزمایش‌های مولکولی پرهزینه وابسته‌اند. مطالعه جدیدی که در نشریه آمریکایی پاتولوژی، منتشر شده توسط الزویر، انجام شده است، نویدبخش پیشرفت در استراتژی‌های درمان شخصی‌سازی شده و بهبود نتایج بیماران می‌باشد.

سرطان PDAC به تازگی از سرطان سینه به عنوان سومین عامل مرگ و میر ناشی از سرطان در کانادا و ایالات متحده پیشی گرفته است. در صورتی که این سرطان به موقع تشخیص داده شود، جراحی می‌تواند حدود یک‌پنجم موارد PDAC را درمان کند. با این حال، حتی با انجام جراحی، نرخ بقا در پنج سال تنها ۲۰ درصد باقی می‌ماند. تقریباً ۸۰ درصد بیماران در زمان تشخیص، به بیماری متاستاتیک مبتلا شده‌اند و بیشتر این بیماران در عرض یک سال جان خود را از دست می‌دهند.

خطرناک بودن PDAC چالش بزرگی را در استفاده از فناوری‌های توالی‌یابی برای تعیین برنامه درمانی بیماران ایجاد می‌کند. پیشرفت سریع بالینی این بیماری نیاز به اقدام سریع برای شناسایی افراد واجد شرایط برای درمان‌های هدفمند و شرکت در آزمایش‌های بالینی را می‌طلبد. با این حال، زمان‌های فعلی برای پروفایل‌سازی مولکولی، که بین ۱۹ تا ۵۲ روز از زمان بیوپسی متغیر است، نمی‌تواند به این نیازهای حساس به زمان پاسخ دهد.

دیوید شافر، MD، محقق همکار و عضو دپارتمان پاتولوژی و پزشکی آزمایشگاهی در دانشگاه بریتیش کلمبیا و بیمارستان عمومی ونکوور، توضیح می‌دهد: “روز به روز زیرگروه‌های قابل اقدام بیشتری برای شخصی‌سازی درمان بیماران مبتلا به سرطان پانکراس شناسایی می‌شود. با این حال، طبقه‌بندی هنوز به طور کامل بر اساس روش‌های ژنومی مبتنی بر DNA و RNA استخراج شده از بافت است.”

روش جدید برای شناسایی زیرگروه‌های مولکولی سرطان پانکراس

این روش در صورتی که بافت کافی در دسترس باشد، بسیار مؤثر است. اما در مورد تومورهای سرطان پانکراس (PDAC)، به دلیل موقعیت آناتومیکی دشوار این ارگان، همیشه این‌گونه نیست. مطالعه ما یک روش امیدوارکننده برای طبقه‌بندی زیرگروه‌های مولکولی PDAC به‌صورت مقرون به صرفه و سریع بر اساس اسلایدهای رنگ‌آمیزی شده با هماتوکسیلین و ائوزین (H&E) ارائه می‌دهد که می‌تواند به مدیریت بالینی مؤثرتر این بیماری منجر شود.

این مطالعه شامل آموزش مدل‌های هوش مصنوعی یادگیری عمیق بر روی تصاویر پاتولوژی از کل اسلایدها برای شناسایی زیرگروه‌های مولکولی PDAC – شامل زیرگروه‌های کلاسیک و پایه‌ای – با استفاده از اسلایدهای رنگ‌آمیزی شده با H&E بود. رنگ‌آمیزی H&E یک تکنیک مقرون به صرفه و در دسترس است که به‌طور معمول با زمان پاسخ سریع در آزمایشگاه‌های پاتولوژی برای تشخیص و پیش‌بینی انجام می‌شود.

مدل‌ها بر روی 97 اسلاید از «پروژه ژنوم سرطان» (TCGA) آموزش داده شدند و بر روی 110 اسلاید از 44 بیمار در یک گروه محلی آزمایش شدند. بهترین مدل عملکردی، دقت 96.19% را در شناسایی زیرگروه‌های کلاسیک و پایه‌ای در مجموعه داده‌های TCGA و 83.03% در گروه محلی به دست آورد که نشان‌دهنده استحکام آن در مجموعه‌های داده مختلف است.

علی بشاشتی، دکترای مهندسی زیست‌پزشکی و عضو گروه پاتولوژی و پزشکی آزمایشگاهی دانشگاه بریتیش کلمبیا، می‌گوید: “حساسیت و ویژگی این مدل به ترتیب 85% و 100% بود که این ابزار هوش مصنوعی را به ابزاری بسیار کاربردی برای غربالگری بیماران برای آزمایش‌های مولکولی تبدیل می‌کند. همچنین، دستاورد اصلی این مطالعه این است که مدل هوش مصنوعی توانست زیرگروه‌ها را از تصاویر بیوپسی شناسایی کند، که این امر آن را به ابزاری بسیار مفید تبدیل می‌کند که می‌تواند در زمان تشخیص به کار گرفته شود.”

دکتر بشاشتی در پایان می‌افزاید: “این رویکرد مبتنی بر هوش مصنوعی یک پیشرفت هیجان‌انگیز در تشخیص سرطان پانکراس ارائه می‌دهد و به ما این امکان را می‌دهد که زیرگروه‌های مولکولی کلیدی را به‌سرعت و به‌صورت مقرون به صرفه شناسایی کنیم.”