مترجم: سامیه خسروی زاده
بر اساس نتایج به دست آمده، یک مدل هوش مصنوعی که با استفاده از اطلاعات بهداشتی متوالی از سوابق سلامت الکترونیکی افراد آموزش دیده بود، توانست زیر مجموعه ای از افراد با خطر ۲۵ برابری ابتلا به سرطان پانکراس را طی سه تا ۳۶ ماه شناسایی کند.
به گزارش سیناپرس، بو یوان (Bo Yuan) پژوهشگر دانشگاه هاروارد که این مطالعه را ارائه کرد، گفت: در حال حاضر هیچ نشانگر زیستی یا ابزار غربالگری قابل اعتمادی وجود ندارد که بتواند سرطان لوزالمعده را زود تشخیص دهد. هدف از این مطالعه توسعه ابزار هوش مصنوعی بود که می تواند به پزشکان کمک کند تا افراد در معرض خطر ابتلا به سرطان پانکراس را شناسایی کنند و در برنامه های پیشگیری یا نظارت ثبت نام کرده و از درمان زودهنگام بهره مند شوند.
دانلود فایل PDF و مشاهده عناوین ماهنامه ” اقتصاد دیجیتال” شماره ۱۶، دی‌ماه۱۴۰۰
دیوید پلاسیدو (Davide Placido) کاندیدای دکترا در دانشگاه کپنهاگ و پژوهشگر این مطالعه گفت: سرطان پانکراس یک نوع سرطان تهاجمی است که اغلب به دلیل نداشتن علائم اولیه در مراحل پیشرفته تشخیص داده می شود و پیش آگهی نسبتاً ضعیفی دارد.
وی خاطرنشان کرد: تشخیص زودهنگام سرطان پانکراس در دوره بیماری ممکن است گزینه های درمانی را برای این بیماران بهبود بخشد.
پیشرفت های اخیر در هوش مصنوعی، محققان را به توسعه الگوریتم های پیش بینی خطر برای انواع مختلف سرطان با استفاده از تصاویر رادیولوژی، اسلایدهای آسیب شناسی و پرونده‌های الکترونیک سلامت سوق داده است. به گزارش سیناپرس، مدل هایی که تلاش می کنند از تشخیص های پزشکی پیش سرطانی مانند زخم معده، پانکراتیت و دیابت به عنوان شاخص‌های خطر سرطان لوزالمعده استفاده کنند، تا حدودی موفقیت آمیز بوده اند اما یوان و همکارانش به دنبال توسعه مدل های دقیق تر با ترکیب مفاهیم الگوریتم های پردازش زبان بودند.
جهت مشاهده و دانلود ماهنامه ” اقتصاد دیجیتال” اینجا کلیک نمایید.
یوان در این باره می گوید: ما از شباهت بین مسیر بیماری و توالی کلمات در زبان طبیعی الهام گرفتیم. مدل های استفاده شده قبلی از توالی تشخیص بیماری در سوابق پزشکی افراد استفاده نمی کردند.به گزارش سیناپرس، اگر هر تشخیص را یک کلمه در نظر بگیرید، مدل های قبلی تشخیص‌ها را مانند مجموعه ای از کلمات به جای دنباله ای از کلمات که یک جمله کامل را تشکیل می دهند، تلقی می شوند.
محققان روش هوش مصنوعی خود را با استفاده از سوابق سلامت الکترونیکی از ثبت ملی بیماران دانمارک، که شامل سوابق ۶.۱ میلیون بیمار تحت درمان بین سال‌های ۱۹۷۷ تا ۲۰۱۸ بود، آموزش دادند که حدود ۲۴ هزار نفر از آنها به سرطان پانکراس مبتلا شدند.
به گزارش سیناپرس، محققان دنباله ای از تشخیص های پزشکی را از هر بیمار وارد کردند تا به مدل آموزش دهند که کدام الگوهای تشخیصی به طور قابل توجهی خطر سرطان پانکراس را پیش بینی می کند. سپس محققان توانایی ابزار هوش مصنوعی را برای پیش بینی وقوع سرطان لوزالمعده در فواصل زمانی بین ۳ تا ۶۰ ماه پس از ارزیابی خطر آزمایش کردند.
در آستانه تعیین شده، افرادی که در معرض خطر بالا در نظر گرفته می شدند، ۲۵ برابر بیشتر از بیماران زیر آستانه خطر ابتلا به سرطان پانکراس از ۳ تا ۳۶ماهگی بودند.
یوان گفت: تفاوت در مراقبت های بهداشتی و شیوه های ثبت سوابق بین سیستم های مختلف مراقبت های بهداشتی مستلزم آموزش مجدد مدل ها روی مجموعه داده های جدید بود و پس از آموزش مجدد، مدل سازی با دقت قابل مقایسه ای انجام شد.
به گزارش سیناپرس، اگرچه اکثر تصمیم گیری های هوش مصنوعی در لایه های پنهان یک شبکه عصبی پیچیده اتفاق افتاد و تعیین دقیق الگوهای تشخیص خطر را برای محققان دشوار می کرد، یوان و همکارانش ارتباط قابل توجهی با ویژگی های بالینی خاص و توسعه سرطان پانکراس پیدا کردند. به گزارش سیناپرس، به عنوان مثال، تشخیص دیابت، بیماری های لوزالمعده و مجاری صفراوی، زخم معده و موارد دیگر با افزایش خطر ابتلا به سرطان لوزالمعده مرتبط بود.
پلاسیدو گفت :در حالی که این دانش ممکن است ریسک سنی را در برخی موارد بهبود بخشد، مزیت ابزار هوش مصنوعی این است که اطلاعات مربوط به عوامل خطر را در زمینه سابقه بیماری یکپارچه می کند. او در انتها افزود، اگر سرطان زود تشخیص داده شود، احتمال موفقیت درمان بیشتر است.
منبع: سیناپرس news-medical
