استفاده هوش مصنوعی از MRI برای پیش‌بینی واکنش بیمار سرطانی به درمان
محققان دانشگاه ییل آمریکا در مطالعه اخیرشان دریافته‌اند که مدل‌های یادگیری ماشینی مبتنی بر تصویربرداری می‌توانند میزان پاسخ بدن بیمار به درمان سرطان کبد را پیش‌بینی کنند.
به گزارش تی ان، نتایج یافته‌های یک مطالعه نشان داده است مدل‌های یادگیری ماشینی که در حال حاضر برای تصویربرداری استفاده می‌شوند، می‌توانند به ایجاد معیارهای قابل اعتمادتری برای تخصیص عضو(organ allocation) و واجد شرایط بودن پیوند کبد کمک کنند.
"جولیوس چاپیرو"(Julius Chapiro) نویسنده این مطالعه از بخش رادیولوژی و تصویربرداری زیست پزشکی دانشگاه ییل گفت: یافته‌ها نشان می‌دهد که مدل‌های مبتنی بر یادگیری ماشین می‌توانند عود کردن بیماری را قبل از آغاز درمان در بیماران مبتلا به کارسینوم هپاتوسلولار در مراحل اولیه(HCC) که در ابتدا واجد شرایط پیوند کبد هستند، پیش‌بینی کنند.
کارسینوم هپاتوسلولار یا کارسینوم سلول‌های کبدی، شایع‌ترین نوع سرطان کبد اولیه در بزرگسالان است و در حال حاضر شایع‌ترین علت مرگ در افراد مبتلا به سیروز است. کارسینوم هپاتوسلولار در مراحل اولیه سومین علت مرگ و میر ناشی از سرطان در سراسر جهان است.
در این مطالعه محققان ۱۲۰ بیمار(۸۸ مرد و ۳۲ زن با میانگین سنی ۶۰ سال) که بین ژوئن ۲۰۰۵ تا مارس ۲۰۱۸ مبتلا به کارسینوم هپاتوسلولار در مراحل اولیه تشخیص داده شده بودند و تحت درمان پیوند، برداشتن یا فرسایش حرارتی قرار گرفته بودند را مورد بررسی قرار دادند.
بیماران تحت ام آر آی قبل از درمان و نظارت تصویربرداری پس از درمان قرار گرفتند و ویژگی‌های تصویربرداری از مراحل پس از کنتراست معاینات ام آر آی قبل از درمان با استفاده از یک شبکه عصبی پیچشی یا همگشتی از پیش آموزش دیده استخراج شد. ویژگی‌های بالینی قبل از درمان و ویژگی‌های تصویربرداری استخراج‌شده برای توسعه سه مدل یادگیری ماشینی(بالینی، تصویربرداری، ترکیبی) به منظور پیش‌بینی عود بیماری طی ۱ تا ۶ سال پس از درمان با هم ادغام شدند. شبکه‌های عصبی پیچشی یا همگشتی، رده‌ای از شبکه‌های عصبی ژرف هستند که معمولا برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند.
در نهایت، هر سه مدل یادگیری ماشینی با بررسی ام آر آی توانستند عود بیماری کارسینوم هپاتوسلولار در مراحل اولیه را پس از درمان پیش‌بینی کنند. استفاده از داده‌های تصویربرداری به عنوان تنها ورودی مدل، عملکرد پیش‌بینی بالاتری نسبت به داده‌های بالینی به تنهایی به همراه داشت.