آیا می‌خواهید بدانید هوش مصنوعی چگونه سرطان را در مراحل اولیه از تصاویر تشخیص می‌دهد؟ بیایید با INVIAI در این مقاله جزئیات بیشتری را بررسی کنیم!
تشخیص زودهنگام سرطان به طور قابل توجهی شانس بقا را افزایش می‌دهد. هوش مصنوعی (AI) اکنون به پزشکان کمک می‌کند تا تومورها را در تصاویر پزشکی زودتر و با دقت بیشتری شناسایی کنند.
با آموزش مدل‌های یادگیری عمیق روی هزاران اسکن و اسلاید نشانه‌گذاری شده، هوش مصنوعی می‌تواند الگوهایی را بیاموزد که حتی متخصصان باتجربه ممکن است از دست بدهند.
در عمل، ابزارهای هوش مصنوعی تصاویر مانند ماموگرافی، سی‌تی‌اسکن قفسه سینه، رادیوگرافی، ام‌آر‌آی، سونوگرافی و اسلایدهای پاتولوژی را تحلیل می‌کنند، مناطق مشکوک را علامت‌گذاری کرده و ریسک را کمی‌سازی می‌کنند.
برای مثال، یک سونوگرافی تقویت‌شده با هوش مصنوعی به یک بیمار کمک کرد تا از بیوپسی غیرضروری تیروئید اجتناب کند، زیرا نشان داد توده او خوش‌خیم است.
متخصصان می‌گویند هوش مصنوعی در مراقبت‌های سرطان «فرصتی بی‌سابقه» برای بهبود تشخیص و درمان است.
- 1. هوش مصنوعی چگونه تصاویر پزشکی را تحلیل می‌کند
- 2. غربالگری سرطان پستان
- 3. غربالگری سرطان ریه
- 4. سرطان پوست (ملانوما)
- 5. غربالگری سرطان دهانه رحم
- 6. غربالگری سرطان روده بزرگ و راست‌روده
- 7. هوش مصنوعی در پاتولوژی و سایر تصویربرداری‌ها
- 8. مزایای هوش مصنوعی در تشخیص زودهنگام
- 9. چالش‌ها و ملاحظات
- 10. جهت‌گیری‌های آینده
هوش مصنوعی چگونه تصاویر پزشکی را تحلیل می‌کند
سیستم‌های هوش مصنوعی در تصویربرداری معمولاً از یادگیری عمیق (به ویژه شبکه‌های عصبی کانولوشنی) استفاده می‌کنند که روی مجموعه داده‌های وسیعی آموزش دیده‌اند. در طول آموزش، الگوریتم یاد می‌گیرد ویژگی‌هایی مانند شکل‌ها، بافت‌ها و رنگ‌ها را استخراج کند که بافت سرطانی را از بافت سالم متمایز می‌کند.
پس از آموزش، مدل هوش مصنوعی تصاویر جدید را اسکن کرده و الگوهایی را که با ویژگی‌های سرطانی آموخته شده مطابقت دارند، برجسته می‌کند.
در واقع، هوش مصنوعی به عنوان یک «خواننده دوم» فوق‌حساس عمل می‌کند که ضایعات ظریفی را نشان می‌دهد که ممکن است انسان نادیده بگیرد. برای مثال، هوش مصنوعی هنگام بررسی ماموگرافی یا برش سی‌تی ممکن است کلسیفیکاسیون‌ها یا ندول‌های ریز را با جعبه‌های رنگی و هشدارهایی برای رادیولوژیست علامت‌گذاری کند.
تحلیل‌های هوش مصنوعی همچنین می‌توانند ریسک را تخمین بزنند: برخی الگوریتم‌ها ریسک سرطان آینده بیمار را از یک تصویر واحد پیش‌بینی می‌کنند (با استفاده از همبستگی‌های آموخته شده) که به پزشکان امکان می‌دهد فواصل غربالگری را شخصی‌سازی کنند.
در یک مورد، سونوگرافی تیروئید تحلیل‌شده توسط هوش مصنوعی به طور قطعی بافت خوش‌خیم را شناسایی کرد که با نتایج بیوپسی بعدی مطابقت داشت و اضطراب اضافی بیمار را کاهش داد.
غربالگری سرطان پستان
ماموگرافی نمونه برجسته‌ای است که هوش مصنوعی در آن تأثیرگذار بوده است. مطالعات نشان می‌دهد که پشتیبانی هوش مصنوعی می‌تواند به طور قابل توجهی تشخیص سرطان پستان در غربالگری را بهبود بخشد.
در یک مطالعه بزرگ در آلمان، رادیولوژیست‌هایی که با ابزار هوش مصنوعی همکاری داشتند، ۱۷.۶٪ سرطان‌های بیشتری نسبت به زمانی که از هوش مصنوعی استفاده نمی‌کردند، شناسایی کردند.
به طور خاص، گروه همراه با هوش مصنوعی ۶.۷ سرطان در هر ۱۰۰۰ زن را تشخیص دادند در حالی که گروه استاندارد ۵.۷ در هر ۱۰۰۰ زن بود، ضمن اینکه نرخ بازخوانی (هشدارهای کاذب) کمی کاهش یافت.
به طور کلی، هوش مصنوعی در ماموگرافی می‌تواند:
- حساسیت و ویژگی را بهبود بخشد. تحقیقات حمایت‌شده توسط NCI گزارش می‌دهند که الگوریتم‌های تصویری هوش مصنوعی «تشخیص سرطان پستان در ماموگرافی را بهبود می‌بخشند» و همچنین می‌توانند پیش‌بینی کنند کدام ضایعات بعداً تهاجمی خواهند شد.
- یافته‌های ظریف را شناسایی کند. هوش مصنوعی می‌تواند خوشه‌های ریز کلسیفیکاسیون یا عدم تقارن‌هایی را که در غربالگری معمولی به راحتی از دست می‌روند، علامت‌گذاری کند و به عنوان یک خواننده متخصص اضافی عمل کند.
- بار کاری و نوسانات را کاهش دهد. با پیش‌غربالگری تصاویر، هوش مصنوعی می‌تواند موارد مشکوک را برای رادیولوژیست‌ها اولویت‌بندی کند و به مقابله با افزایش حجم ماموگرافی کمک کند.
شایان ذکر است که سازمان FDA چندین ابزار ماموگرافی همراه با هوش مصنوعی (مانند iCAD و SmartMammo شرکت DeepHealth) را برای استفاده بالینی تأیید کرده است و توانایی آن‌ها را در شناسایی زودهنگام سرطان در شرایط واقعی به رسمیت شناخته است.
غربالگری سرطان ریه
هوش مصنوعی همچنین در تشخیص سرطان ریه از تصاویر پزشکی کاربرد دارد. اسکن‌های CT با دوز پایین (LDCT) برای غربالگری افراد پرخطر سیگاری استفاده می‌شود؛ هوش مصنوعی می‌تواند با بهبود کیفیت تصویر و شناسایی ضایعات این روند را تقویت کند.
یکی از مزایا کاهش دوز است: الگوریتم‌های بازسازی تصویر مبتنی بر هوش مصنوعی می‌توانند تصاویر CT واضحی با دوز اشعه کمتر از اسکن‌های LDCT فعلی تولید کنند.
علاوه بر این، سیستم‌های کمک به تشخیص کامپیوتری (CAD) مبتنی بر هوش مصنوعی به طور خودکار هر برش CT را برای ندول‌ها اسکن می‌کنند. وقتی ندول احتمالی یافت شود، هوش مصنوعی آن را روی تصویر برای بررسی پزشک علامت‌گذاری می‌کند.
به طور خلاصه، هوش مصنوعی می‌تواند به عنوان یک خواننده دوم حساس روی تصاویر ریه عمل کند.
برای مثال، مدل‌های اخیر حساسیت بالایی برای هر دو ندول خوش‌خیم و بدخیم ریه نشان داده‌اند (سیستم‌های تحقیقاتی بیش از ۹۰٪ ندول‌ها را در اسکن‌های آزمایشی شناسایی کرده‌اند). سازمان FDA آمریکا ابزارهای هوش مصنوعی را برای کمک به غربالگری سرطان ریه تأیید کرده و نقش آن‌ها را در تشخیص زودهنگام به رسمیت شناخته است.
هوش مصنوعی همچنین می‌تواند به شخصی‌سازی غربالگری کمک کند: با ترکیب تصویربرداری و داده‌های بیمار، الگوریتم‌ها می‌توانند تعیین کنند چه کسانی نیاز به اسکن‌های مکررتر دارند.
(با این حال، مطالعات فعلی CAD نشان می‌دهد که در حالی که هوش مصنوعی تعداد کل ندول‌ها را افزایش می‌دهد، بیشتر افزایش مربوط به ندول‌های کوچک و کم‌خطر است و هنوز به طور چشمگیری تشخیص ضایعات پیشرفته را بهبود نداده است.)
سرطان پوست (ملانوما)
تصویربرداری درموسکوپی (عکس‌های بزرگ‌نمایی شده پوست) حوزه دیگری است که هوش مصنوعی در آن درخشان است. مدل‌های پیشرفته یادگیری عمیق که روی ده‌ها هزار تصویر ضایعات پوستی آموزش دیده‌اند، می‌توانند خال‌ها را با دقت بالا به خوش‌خیم یا بدخیم طبقه‌بندی کنند.
در یک مطالعه اخیر، یک شبکه عصبی بهبود یافته به دقت ۹۵ تا ۹۶٪ در شناسایی ملانومای مرحله اولیه از تصاویر درموسکوپی دست یافت.
این موضوع اهمیت دارد: ملانومای مرحله اولیه پیش‌آگهی بسیار خوبی دارد (حدود ۹۸٪ بقا در ۵ سال)، در حالی که بقا در مراحل پیشرفته بسیار کمتر است.
با برجسته کردن خال‌های مشکوک برای بیوپسی، هوش مصنوعی می‌تواند به متخصصان پوست در تشخیص زودهنگام ملانوما کمک کند.
ابزارهای هوش مصنوعی حتی در قالب اپلیکیشن‌های تلفن همراه یا دستگاه‌هایی عرضه شده‌اند که خال عکس‌برداری شده را ارزیابی کرده و ریسک آن را تخمین می‌زنند، که می‌تواند تشخیص زودهنگام را به مراکز مراقبت اولیه گسترش دهد.
غربالگری سرطان دهانه رحم
هوش مصنوعی با تحلیل تصاویر دیجیتال دهانه رحم، غربالگری سرطان دهانه رحم را بهبود می‌بخشد. برای مثال، سیستم CerviCARE با استفاده از یادگیری عمیق روی عکس‌های «سرویکوگرافی» (تصاویر شبیه کولپوسکوپی) ضایعات پیش‌سرطانی را تشخیص می‌دهد.
در یک مطالعه چندمرکزی، هوش مصنوعی CerviCARE به حساسیت ۹۸٪ برای ضایعات درجه بالا (CIN2+) با ویژگی ۹۵.۵٪ دست یافت.
در عمل، چنین هوش مصنوعی می‌تواند در مناطقی که کولپوسکوپیست‌های متخصص کم هستند کمک کند: الگوریتم به طور خودکار مناطق مشکوک را برجسته می‌کند و اطمینان می‌دهد که هیچ بافت پیش‌سرطانی از دست نرود.
این نوع هوش مصنوعی در کنار آزمایش‌های پاپ اسمیر و HPV سنتی برای تشخیص زودهنگام بیماری کار می‌کند.
NCI همچنین به تحقیقات درباره هوش مصنوعی برای خودکارسازی تشخیص پیش‌سرطان در غربالگری دهانه رحم اشاره کرده است.
غربالگری سرطان روده بزرگ و راست‌روده
در طول کولونوسکوپی، هوش مصنوعی به صورت زنده کمک می‌کند. سیستم‌های مدرن به طور مداوم ویدئوهای دوربین کولونوسکوپ را تحلیل می‌کنند. وقتی دوربین پلیپ یا بافت مشکوکی را تصویر می‌کند، هوش مصنوعی آن را روی صفحه نمایش برجسته می‌کند (اغلب با جعبه رنگی و هشدار صوتی) تا توجه پزشک جلب شود.
کولونوسکوپی همراه با هوش مصنوعی: سیستم یک پلیپ «مسطح» (با رنگ آبی برجسته شده) را شناسایی کرده که پزشک می‌تواند آن را بردارد.
مطالعات نشان می‌دهد استفاده از هوش مصنوعی در کولونوسکوپی تعداد کل پلیپ‌های شناسایی شده را افزایش می‌دهد، به ویژه آدنوم‌های کوچک. این بدان معناست که هوش مصنوعی می‌تواند به پزشکان کمک کند تا رشد‌های اولیه بیشتری را که ممکن است نادیده گرفته شوند، شناسایی کنند.
در یک مطالعه بزرگ (مطالعه CADILLAC)، تشخیص آدنوم کلی با کمک هوش مصنوعی افزایش یافت. با این حال، متخصصان اشاره می‌کنند که بیشتر افزایش مربوط به پلیپ‌های کوچک و کم‌خطر بود و افزودن هوش مصنوعی به طور قابل توجهی تشخیص آدنوم‌های بزرگ و پرخطر را افزایش نداد.
به عبارت دیگر، هوش مصنوعی در نشان دادن تعداد زیادی ضایعه کوچک عالی است، اما اینکه آیا در یافتن پیش‌سرطان‌های خطرناک‌تر بهبود ایجاد می‌کند هنوز در حال بررسی است.
با این وجود، «چشم دوم» هوش مصنوعی می‌تواند خطاهای ناشی از خستگی را کاهش داده و نوسانات بین پزشکان را کم کند. سازمان FDA سیستم‌های هوش مصنوعی (CADe) را برای کولونوسکوپی بالینی به منظور کمک به اندوسکوپیست‌ها در تشخیص پلیپ‌ها تأیید کرده است.
هوش مصنوعی در پاتولوژی و سایر تصویربرداری‌ها
دامنه هوش مصنوعی فراتر از تصویربرداری زنده به پاتولوژی و اسکن‌های تخصصی نیز می‌رسد. اسلایدهای دیجیتال پاتولوژی (اسکن‌های با وضوح بالا از نمونه‌های بافتی) توسط الگوریتم‌های هوش مصنوعی خوانده می‌شوند.
برای مثال، هوش مصنوعی جدیدی به نام CHIEF روی بیش از ۶۰,۰۰۰ تصویر کل اسلاید در ۱۹ نوع سرطان آموزش دیده است.
این سیستم به طور خودکار سلول‌های سرطانی را در اسلاید تشخیص داده و حتی پروفایل مولکولی تومور را از ویژگی‌های بصری پیش‌بینی می‌کند. در آزمایش‌ها، CHIEF دقت حدود ۹۴٪ در تشخیص سرطان روی اسلایدهای دیده‌نشده در چندین عضو مختلف داشت.
به همین ترتیب، سازمان FDA نرم‌افزار هوش مصنوعی را برای برجسته‌سازی مناطق سرطانی در نمونه‌های بیوپسی پروستات تأیید کرده است که به پاتولوژیست‌ها کمک می‌کند روی مناطق حیاتی تمرکز کنند. ابزارهای هوش مصنوعی همچنین برای تفسیر MRI تومور مغزی و سونوگرافی ندول تیروئید و موارد دیگر تأیید شده‌اند.
به طور خلاصه، هوش مصنوعی به دستیار چندکاره‌ای تبدیل شده است: از اسکن‌های MRI/CT گرفته تا رادیوگرافی و اسلایدهای میکروسکوپی، ناهنجاری‌هایی را که نیاز به توجه دارند، علامت‌گذاری می‌کند.
مزایای هوش مصنوعی در تشخیص زودهنگام
در تمامی کاربردها، هوش مصنوعی چندین مزیت کلیدی برای تشخیص زودهنگام سرطان ارائه می‌دهد:
- حساسیت بالاتر: هوش مصنوعی می‌تواند علائم بسیار ظریف را تشخیص دهد. در غربالگری پستان، هوش مصنوعی حدود ۲۰ تا ۴۰٪ از سرطان‌های فاصله‌ای (تومورهایی که در خوانش اول از دست رفته‌اند) را در بررسی‌های گذشته شناسایی کرد.
این بدان معناست که هوش مصنوعی ممکن است سرطان‌ها را زودتر از خوانندگان انسانی آشکار کند. - دقت و کارایی: مطالعات نشان می‌دهد خوانش‌های همراه با هوش مصنوعی منجر به کاهش نتایج منفی کاذب و گاهی کاهش مثبت کاذب می‌شود.
برای مثال، ماموگرافی با پشتیبانی هوش مصنوعی ارزش پیش‌بینی مثبت بیوپسی (یعنی تعداد سرطان‌ها در هر بیوپسی) را در یک مطالعه آلمانی افزایش داد. - هوش مصنوعی می‌تواند تصاویر را سریع‌تر از انسان پردازش کند و به برنامه‌های غربالگری اجازه می‌دهد بدون کاهش کیفیت، حجم کاری رو به رشد را مدیریت کنند.
- کیفیت یکنواخت: برخلاف انسان‌ها، هوش مصنوعی خسته نمی‌شود و به دلیل حواس‌پرتی چیزی را از دست نمی‌دهد.
این سیستم سطح تحلیل یکنواختی را در موارد مختلف ارائه می‌دهد که ممکن است نوسانات بین رادیولوژیست‌ها را کاهش دهد. - جلوگیری از انجام آزمایش‌های غیرضروری: با تمایز دقیق‌تر بین ضایعات خوش‌خیم و بدخیم، هوش مصنوعی ممکن است بیماران را از آزمایش‌های غیرضروری بی‌نیاز کند.
در مثال تیروئید، هوش مصنوعی با اطمینان سرطان را بدون نیاز به بیوپسی رد کرد. - در پوست‌شناسی، اپلیکیشن‌های هوش مصنوعی می‌توانند بیماران را درباره خال‌های خوش‌خیم مطمئن کنند.
هدف کلی غربالگری دقیق است: یافتن مواردی که واقعاً نیاز به مداخله دارند و جلوگیری از درمان بیش از حد. - دسترسی جهانی: در مناطقی که متخصصان کم هستند، ابزارهای هوش مصنوعی می‌توانند سطح تخصصی غربالگری را به کلینیک‌های دورافتاده گسترش دهند.
برای مثال، یک کولپوسکوپ هوش مصنوعی می‌تواند به پرستاران در مناطق کم‌منبع برای غربالگری سرطان دهانه رحم کمک کند.
«رویکردهای مبتنی بر هوش مصنوعی می‌توانند توانایی پزشکان را در ارزیابی سریع و دقیق سرطان‌ها افزایش دهند». در بسیاری از مطالعات، ترکیب هوش مصنوعی با تخصص پزشکان بهتر از هر کدام به تنهایی عمل می‌کند، درست مانند مشورت با یک همکار آگاه.
چالش‌ها و ملاحظات
هوش مصنوعی همچنین چالش‌هایی به همراه دارد. مدل‌هایی که روی داده‌های محدود یا غیرمتنوع آموزش دیده‌اند ممکن است برای همه بیماران به یک اندازه خوب عمل نکنند. برای مثال، سیستم‌های تشخیص ضایعات پوستی باید روی تنوع رنگ پوست آموزش ببینند تا از سوگیری جلوگیری شود.
ابزارهای درموسکوپی هوش مصنوعی در عملکرد روی تصاویر دارای نویز (مانند موها یا نور نامناسب) و انواع ضایعات کمتر نمایانده شده، نقاط ضعفی دارند.
در غربالگری، افزایش تشخیص‌ها می‌تواند به معنی افزایش هشدارهای کاذب باشد: کولونوسکوپی هوش مصنوعی بسیاری از پلیپ‌های کوچک را علامت‌گذاری کرد که برخی ممکن است هرگز به سرطان تبدیل نشوند.
برداشتن هر ضایعه کوچک خطرات خود را دارد (احتمال کم خونریزی یا سوراخ شدن). بنابراین، پزشکان باید حساسیت هوش مصنوعی را با ویژگی آن متعادل کنند تا از تشخیص بیش از حد جلوگیری شود.
ادغام هوش مصنوعی در روندهای بالینی کار ساده‌ای نیست. بیمارستان‌ها به نرم‌افزارهای تأیید شده توسط FDA و آموزش کارکنان نیاز دارند. همچنین سوالات قانونی و مسئولیتی درباره اینکه اگر هوش مصنوعی سرطان را از دست بدهد، چه کسی پاسخگو است، مطرح است.
بسیاری از پژوهشگران تأکید می‌کنند که هوش مصنوعی یک ابزار است، نه جایگزین؛ همانطور که یک رادیولوژیست گفته، استفاده از هوش مصنوعی مانند «مشورت با یک همکار هوشمند» است. مطالعات مداوم و پس از عرضه برای اطمینان از بهبود واقعی نتایج ضروری است.
جهت‌گیری‌های آینده
آینده هوش مصنوعی در تشخیص سرطان امیدوارکننده است. پژوهشگران در حال توسعه «مدل‌های بنیادین» (هوش مصنوعی بزرگ آموزش‌دیده روی مجموعه داده‌های عظیم) هستند که می‌توانند همزمان چندین وظیفه را انجام دهند. CHIEF دانشگاه هاروارد نمونه‌ای است: این مدل مانند «چت‌جی‌پی‌تی برای پاتولوژی» روی میلیون‌ها قطعه تصویر آموزش دیده و در انواع مختلف سرطان کاربرد دارد.
رویکردهای مشابه ممکن است به زودی تصویربرداری را با داده‌های ژنتیکی و بالینی ترکیب کنند تا غربالگری فوق‌شخصی‌سازی شده ارائه دهند. هوش مصنوعی چندوجهی می‌تواند نه تنها وجود سرطان بلکه میزان تهاجمی بودن آن را پیش‌بینی کند و شدت پیگیری را هدایت نماید.
عملکرد هوش مصنوعی نیز با تکنیک‌های جدید به سرعت در حال بهبود است. سیستم‌های نسل بعدی CAD از معماری‌های پیشرفته شبکه عصبی و مدل‌های زبان بزرگ برای تفسیر تصاویر استفاده می‌کنند. برای سرطان ریه، متخصصان اشاره می‌کنند که سیستم‌های قدیمی هوش مصنوعی در مقایسه با مدل‌های امروزی «ابتدایی» بودند و انتظار دارند نسخه‌های جدید بسیار بهتر باشند.
مطالعات بین‌المللی (مانند آزمایش‌های چندمرکزی در اروپا و آمریکا) در حال انجام است تا ابزارهای هوش مصنوعی را در مقیاس وسیع اعتبارسنجی کنند. با انباشت داده‌ها، هوش مصنوعی از نتایج دنیای واقعی می‌آموزد و دقت خود را به طور مداوم بهبود می‌بخشد.
خلاصه اینکه، هوش مصنوعی در حال حاضر به پزشکان کمک می‌کند تا سرطان‌ها را زودتر از تصاویر پزشکی تشخیص دهند – از ماموگرافی و سی‌تی‌اسکن گرفته تا عکس‌های پوست و اسلایدهای بیوپسی. اگرچه چالش‌هایی باقی است، تحقیقات پیشرفته و تأییدیه‌های قانونی نوید آینده‌ای را می‌دهند که هوش مصنوعی به یک همراه استاندارد در غربالگری سرطان تبدیل شود.
با شناسایی تومورها در مراحل اولیه که درمان مؤثرتر است، این فناوری‌ها می‌توانند نتایج بهتری برای بسیاری از بیماران در سراسر جهان فراهم کنند.
