تشخیص دقیق سرطان دهانه رحم به کمک الگوریتم مبتنی بر AI پردازش تصویر

سرطان دهانه رحم  سالانه بیش از نیم میلیون نفر را مبتلا کرده و جان نزدیک به ۳۰۰ هزار نفر را می‌گیرد. تشخیص سرطان در مراحل اولیه برای ریشه‌کن کردن بیماری از بدن بیمار ضروری است. با این حال، روش معمولی غربالگری سرطان که جمعیت-محور است، فرآیندی دشوار و هزینه‌بر دارد. در این روش، پزشکان باید بتوانند تک تک سلول‌های یک برش رنگ‌شده را طبقه‌بندی کنند؛ برشی که می‌تواند بیش از ۱۰۰,۰۰۰ سلول داشته باشد.

سیستم‌های تشخیص‌گر مجهز به کامپیوتر گزینه‌ای حیاتی برای غربال‌گری آسان و سریع سرطان به شمار می‌روند.

دمیتری کاپلان، استادیار دپارتمان فرآیندهای نظارتی و خودکارسازی دانشگاه الکتروتکنیک سنت‌پیترزبرگ، در مورد کاربرد فناوری در این حوزه توضیح می‌دهد: «روش‌های قدیمی مبتنی بر یادگیری ماشین، پیچیدگی محاسباتی کمتری دارند، اما برای استفاده از آن‌ها می‌بایست به صورت دستی ویژگی‌ها را استخراج و برای طبقه‌بندی انتخاب کنیم. این امر به دو دلیل عمده، عملکرد را با محدودیت روبرو می‌کند: یکی این‌که استخراج دستی ویژگی‌ها در داده‌های پیچیده کار دشواری است؛ و دیگری این‌که همه‌ی این ویژگی‌ها لزوماً اطلاعات کافی نداشته و می‌توانند بر عملکرد مدل تأثیر منفی بگذارند.»

به همین دلیل، محققان راهکاری جدید معرفی کرده‌اند: با استفاده از سه معماری شبکه‌ی عصبی پیچشی (Inception v3، Xception و DenseNet-169) یک مدل طبقه‌بندی گروهی ساخته‌اند. یادگیری گروهی راهبردی است که در آن، از خروجی بیش از دو مدل برای ارائه‌ی پیش‌بینی نهایی استفاده می‌شود. این شبکه‌های عصبی از قبل، روی دیتاست ImageNet (تصاویر سلول‌های تکی و اسلایدهای کامل رنگ‌شده‌ی پاپ اسمیر) آموزش دیده‌اند.

کاپلان در ادامه می‌گوید: «طرح پیشنهادی با در نظر گرفتن دو تابع غیرخطی از مقادیر تولیدشده توسط کلسیفایرها، این مدل‌های یادگیرنده را بر اساس رده (به صورت تقریبی) ادغام می‌کند. برخلاف روش‌های ساده‌ای که تا کنون برای ادغام مدل‌ها مطرح شده‌اند، تکنیک گروهی پیشنهادی ما، پیش‌بینی نهایی را بر اساس سطح اطمینان پیش‌بینی مدل‌های پایه ارائه می‌دهد.»

 آزمایش مدل تشخیص سرطان دهانه رحم

مدل پیشنهادی روی دو دیتاست متن‌باز SIPaKMeD Pap Smear و Mendeley Liquid Based Cytology (LBC) به آزمایش گذاشته شد. روش ارزیابی از نوع اعتبارسنجی متقاطع ۵ لایه‌ای بود. مدل توانست روی دیتاست دوکلاسه‌ی SIPaKMeD Pap Smear به دقت طبقه‌بندی ۵۵/۹۸% و حساسیت 52/98%، روی دیتاست ۵ کلاسه‌ SIPaKMeD Pap Smear به دقت ۴۳/۹۵% و حساسیت ۵۲/۹۸% و روی دیتاست Mendeley LBC به دقت با ۲۳/۹۹% و حساسیت ۲۳/۹۹% دست یابد.

نتایج این پژوهش در ژورنال «گزارشات علمی» منتشر شده‌اند. به نظر می‌رسد مدل پیشنهادی، کارآیی خود را اثبات کرده و از بسیاری از مدل‌های نوین دیگر پیشی گرفته باشد.

این مدل تشخیص‌گر را می‌توان به صورت یک مدل «اتصال-و-اجرا» به کار برد. به همین دلیل، اجرای غربالگری سرطان دهانه رحم  دیگر وابستگی چندانی به پشتیبانی پزشکان بالینی نخواهد داشت.

محققان قصد دارند از تکنیک‌های توسعه‌ی تشخیص نواحی سایه‌روشن استفاده کرده و یا در ابتدای کار، سلول‌ها را قطعه‌بندی کنند تا در صورت بی‌کیفیت بودن تصاویر یا همپوشانی سلول‌ها با سلول‌های دیگر، خدشه‌ای به دقت طبقه‌بندی وارد نشود. علاوه بر این، دانشمندان تکنیک یادگیری گروهی را با مدل‌های دیگر و توابع متفاوت نیز امتحان کرده‌اند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید