پیش بینی گسترش سرطان با استفاده از پردازش زبان طبیعی

جمع‌آوری داده از سی‌تی‌اسکن‌ها می‌تواند برای کادر درمان، کاری دشوار و خسته‌کننده باشد. پژوهشگران دانشگاه کوئین، امبر سیمپسون و فرهانا زولکرنین به همراه رادیولوژیست، ریچارد دو (مرکز سرطان Memorial Sloan Kettering ، نیویورک) در حال توسعه فناوری‌ای هستند که این مسئله را راحت‌تر می‌کند و همچنین با استفاده از پردازش زبان طبیعی پیش بینی گسترش سرطان را انجام می‌دهد.

پردازش زبان طبیعی (NLP) در برنامه‌نویسی کامپیوترها استفاده می‌شود، تا مقادیر زیادی داده زبانی حاصل از تعامل بین انسان‌ها و کامپیوترها را پردازش و تحلیل کند. دکتر سیمپسون و دکتر زولکرنین، از توانایی‌های NLP برای استخراج داده استفاده کرده‌اند و این فناوری را بر روی سی‌تی‌اسکن‌ها اعمال کردند، تا این‌گونه، پیش بینی گسترش سرطان را به بهترین شکل انجام دهند.

دکتر سیمپسون، رئیس تحقیقات کانادا در زمینه محاسبات زیست‌پزشکی و انفورماتیک، می‌گوید: «هوش مصنوعی دارای توانایی بالقوه حل مشکلات بنیادی سرطان است که انسان به تنهایی نمی‌تواند آن‌ها را حل کند. به عنوان مثال، ما نمی‌دانیم که شیمی‌درمانی چگونه در جمعیت عمومی بیماران سرطانی، رفتار می‌کند. شیمی‌درمانی در آزمایش‌های بالینی با معیارهای سختگیرانه‌ای بر روی برخی از بیماران، آزمایش می‌شود. هوش مصنوعی این فرصت را به ما می‌دهد که واکنش و گسترش سرطان را در میان کل جمعیت بیماران سرطانی، مطالعه کنیم.»

توسعه مدل پردازش زبان طبیعی

برای توسعه مدل‌های NLP، سه رادیولوژیست، نمونه‌ای از بیش از ۲۲۰۰ سی‌تی‌اسکن انتخاب کردند و ۱۳ اندام را برای یافتن وجود یا عدم وجود سرطان متاستاتیک (سرطان گسترش‌یافته)، جست‌وجو کردند. سپس سه مدل متفاوت با نزدیک به ۴۰۰ هزار سی‌تی‌اسکن را مورد آزمایش قرار دادند که بهترین مدل به ضریب صحت ۹۰-۹۹ درصد در تشخیص و برچسب‌گذاری سرطان در تمام اندام‌ها، دست یافت. این نتایج در مجله Radiology منتشر شدند.

دکتر زولکرنین در توضیح اینکه چرا تصمیم‌ گرفتند که با استفاده از NLP رویکردی بینارشته‌ای به این پژوهش داشته باشند، بیان داشت: «گزارش‌های رادیولوژی‌ای که ما به آن‌ها دسترسی داشتیم، فقط شامل داده متنی نیمه‌ساخت‌مند بودند. بنابراین، به همراه دانشجویان دانشکده محاسبات، کارن بچ و کالن لاپتون، برای پیش‌پردازش داده‌ها و استخراج ویژگی‌های کلیدی برای تغذیه یک مدل یادگیری ماشین، یک پایپ‌لاین NLP را توسعه دادیم، تا بر اساس گزارش‌های پیشین، پیش‌بینی‌هایی درباره متاستاز سرطان در ۱۳ اندام مختلف ارائه دهیم.»

استفاده از هوش مصنوعی در تشخیص متاستاز سرطان به این معناست که اطلاعات مربوط به هر بیمار سرطانی و نه فقط شرکت‌کنندگان در آزمایش، می‌تواند در تشخیص‌ها و درمان‌های اختصاصی بیمار، مورد استفاده قرار گیرد.

اما پتانسیل این روش، فراتر از این است. با داشتن تحلیل‌های به‌دست‌آمده از ۴۰۰ هزار سی‌تی‌اسکن، دکتر سیمپسون و دکتر زولکرنین قصد دارند که یک دوقلوی دیجیتالی از سرطان بسازند که گسترش سرطان را در یک بیمار، منعکس و پیش‌بینی می‌کند. دانستن اینکه سرطان کجا و چگونه گسترش می‌یابد، به معنای امکان درمان موضعی به جای درمان سیستمیک است.

مزایای درمان موضعی

دکتر زولکرنین می‌گوید: «پزشکی دقیق، یکی از بزرگ‌ترین فرصت‌ها و موانع درمان مدرن سرطان است. درمان موضعی و هدفمند مطمئناً بهتر است، زیرا با تمرکز بیشتر بر نوع و شدت متاستاز، بدون اینکه کل سیستم زیستی یا دیگر اندام‌ها تحت‌تأثیر قرار بگیرند، می‌توان متاستاز در اندام‌های مختلف را درمان کرد.»

مفهوم دوقلوی دیجیتال، برگرفته از حوزه تولید است که در آنجا برای ارتقای فرایندها از طریق نظارت و تولید یک حلقه بازخوردی دائمی، به کار می‌رود. دوقلوی دیجیتال در درمان بیماران می‌تواند داده‌هایی را جمع‌آوری و تحلیل کند که سلامت و کیفیت زندگی بیمار را بهبود می‌بخشند. این کار که مورد حمایت مالی برنامه تأمین مالی مرزهای جدید در تحقیقات است، با همکاری شاردی موسورینجان (دانشکده دین) در حال انجام است.

استفاده از هوش مصنوعی، به‌ویژه در حوزه مراقبت‌های بهداشتی، سؤالات فلسفی و نگرانی‌های اجتماعی زیادی را بر می‌انگیزد. دکتر موسورینجان در کنار توسعه این فناوری، تحلیل‌های محتوایی را انجام می‌دهد، تا پیامدهای احتمالی دوقلوی دیجیتال را بیشتر بررسی کند. لحاظ چنین مواردی به بیماران سرطانی امکان می‌دهد که نقش معنادارتری در درمان خود ایفا کنند.

شما کدامیک از خدمات هوش مصنوعی در حوزه بهداشت و درمان را می‌شناسید؟

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید