بر اساس مطالعه ای جدید ارائه شده در مجله رادیولوژی، از نوع پیشرفته ای از هوش مصنوعی (AI) مبتنی بر یادگیری عمیق برای تشخیص از روی ماموگرافی زنانی که در آینده به سرطان پستان مبتلا خواهند شد و زنانی که مبتلا نمی شوند استفاده می شود. استفاده از یادگیری عمیق در غربالگری در مقایسه با تمرکز بر مارکرهای عوامل خطر بالینی برای تشخیص خطر ابتلا به سرطان پستان، عملکرد بهتری را دارد. محققان معتقدند که این موارد بر پتانسیل هوش مصنوعی برای بکارگیری در غربالگری راتاکید دارد. چراکه به عنوان تفسیر کننده دومی برای رادیولوژیست ها، می تواند تصویربرداری غیر ضروری و هزینه های مرتبط را کاهش دهد.
سرطان سینه و توصیه‌ها
توصیه می شود زنان از سن 40 سالگی ماموگرافی سالانه برای غربالگری سرطان پستان را انجام دهند. تحقیقات نشان می‌دهد که ماموگرافی غربالگری با کاهش بروز سرطان پیشرفته، مرگ و میر ناشی از سرطان پستان را کاهش می دهد.
ماموگرافی نه تنها به تشخیص سرطان کمک می کند، بلکه از طریق سنجش تراکم پستان، اندازه گیری میزان خطر ابتلا را نیز فراهم می کند. پستان های متراکم تر در ماموگرافی با خطر بالاتر ابتلا به سرطان مرتبط هستند. هرچند عوامل ناشناخته دیگری، در ماموگرافی، وجود دارد که احتمالاً در ایجاد این خطر نقش دارند.
روش های مرسوم ارزیابی خطر با استفاده از عوامل خطر بالینی چندان مؤثر نبوده‌اند. به نظر می آید که در تصویر چیزی بیش از تراکم پستان وجود دارد که برای ارزیابی خطر مفید است.
بیشتر بخوانید – عوامل خطر سرطان پستان و پیش گیری از آن
استفاده از هوش مصنوعی در تشخیص سرطان سینه
دکتر شپرد و همکارانش در مطالعه ای جدید از مجموعه داده های بیش از 25000 ماموگرافی غربالگری دیجیتال استفاده کردند. از 6369 زن در غربالگری ماموگرافی شرکت کرده بودند. بیش از 1600 نفر از زنان، به سرطان پستان شناسایی شده در غربالگری مبتلا شدند. 351 نفر به سرطان پستان مهاجم اینتروال ( یک سرطان مهاجم که در یک دوره 3 ساله پس از نتیجه طبیعی تشخیص داده می شود) دچار شدند.
محققان مدل یادگیری عمیق را برای یافتن جزئیات یا نشانه هایی در ماموگرافی که ممکن است با افزایش خطر سرطان مرتبط باشد، آموزش دادند. هنگامی که آن ها مدل مبتنی بر یادگیری عمیق را آزمایش کردند، در ارزیابی فاکتور های خطر سرطان اینتروال ضعیف عمل کرد. اما برای عوامل خطر بالینی (از جمله تراکم پستان) در تعیین خطر سرطان شناسایی شده در غربالگری، عملکرد بهتری داشت.
نتایج
به گفته دکتر شپرد، نتایج نشان داد که سیگنال اضافی که با هوش مصنوعی دریافت می‌کنیم، تخمین بهتری از خطر ابتلا به سرطان شناسایی شده در غربالگری را ارائه می‌کند. پس به ما کمک کرد تا به هدف خود در طبقه بندی زنان بر اساس احتمال ابتلا به سرطان پستان کم یا زیاد دست پیدا کنیم.
این یافته ها پیامد های قابل توجهی برای اقدامات بالینی دارد که در آن تراکم پستان به تنهایی بسیاری از تصمیمات مدیریتی را هدایت می کند. زمانبندی غربالگری باید بر اساس میزان ریسک یا احتمال ابتلا به سرطان تعیین شود. زنانی که ماموگرافی منفی دارند می توانند بر اساس میزان احتمال ابتلا به سرطان به یکی از سه گروه تقسیم شوند: گروهی با خطر ابتلا به سرطان پستان کم، گروهی که ریسک سرطان شناسایی شده در غربالگری آن ها زیاد است و گروه آخر که احتمال سرطان تهاجمی اینتروال بالایی ظرف سه سال آینده (میانگین زمان انجام مطالعه) دارند.
به گفته دکتر شپرد این روش به ما این امکان را می‌دهد که از ریسک فردی یک زن برای تعیین میزان تحت نظر بودن او استفاده کنیم. زنانی که در معرض خطر کمتری هستند نسبت به آن هایی که در معرض خطر بالای سرطان پستان هستند نیاز کمتری به ماموگرافی خواهند داشت.
مزایای یادگیری عمیق در تشخیص سرطان سینه
مدل یادگیری عمیق همچنین در حمایت از تصمیماتی در مورد تصویربرداری اضافی با MRI و سایر روش ها نوید بخش است. به گفته دکتر شپرد زنان گروه پرخطر یادگیری عمیق که پستان های متراکم نیز دارند در معرض خطر بیشتری برای سرطان های اینتروال هستند. ممکن است از استراتژی نظارتی که شامل تصویربرداری تکمیلی (همچون MRI، تصویربرداری مولکولی و اولتراسوند) است، که به تراکم پستان نیز حساس هستند، بیشترین سود را ببرند. سرطان های اینتروال معمولاً بیولوژی تومور تهاجمی تری دارند و معمولاً در مراحل پیشرفته کشف می شوند.
به همراه سایر تحقیقاتی که اخیراً انجام شده، مطالعه جدید از نقش هوش مصنوعی در ترکیب با عوامل خطر بالینی در ارزیابی خطر سرطان پستان پشتیبانی می کند.
در این تحقیقات با رتبه بندی ماموگرافی ها از نظر احتمال مشاهده سرطان در تصویر، هوش مصنوعی ابزار خواندن دوم قدرتمندی برای کمک به دسته بندی ماموگرافی ها خواهد بود.
محققان در حال برنامه ریزی برای تکرار این مطالعه در زنان بومی هاوایی و جزایر اقیانوس آرام هستند. دو گروهی که در تحقیقات سرطان پستان کمتر حضور داشتند. آنها همچنین می خواهند کار را فراتر از خطر ابتلا به سرطان گسترش دهند. و به خطر درجات مختلف سرطان پستان، از حداقل تا تهاجمی ترین حالت، توجه کنند.
