تجزیه و تحلیل ماموگرافی با کمک هوش مصنوعی

به گزارش خبرگزاری صدا و سیما؛ به نقل از نیواطلس، روش ارجح برای سرطان سینه در مراحل اولیه، رادیوتراپی همراه با جراحی حفظ پستان است که به عنوان ماستکتومی جزئی شناخته می‌شود. برای جلوگیری از عود سرطان بسیار مهم است که تمام بافت‌های سرطانی سینه در طول جراحی برداشته شود.
این مسئله با بررسی لبه‌های بیرونی بافت برداشته شده بررسی می‌شود تا اطمینان حاصل شود که آن‌ها حاوی سلول‌های سرطانی که به عنوان "حاشیه منفی" شناخته می‌شوند، نیستند.
ماموگرافی بافت به طور گسترده به عنوان وسیله‌ای برای اطمینان از برداشتن حاشیه‌های منفی استفاده می‌شود، زیرا می‌توان آن را در اتاق عمل انجام داد و بازخورد فوری را ارائه می‌دهد. با این حال ماموگرافی نمونه می‌تواند نادرست باشد و اگر بعدا سلول‌های سرطانی شناسایی شوند، جراحی بیشتری برای برداشتن بافت اضافی مورد نیاز است.
محققان دانشکده پزشکی دانشگاه کارولینای شمالی (UNC) یک مدل هوش مصنوعی ابداع کردند که می‌تواند در زمان واقعی پیش بینی کند که آیا بافت سرطانی به طور کامل در طی جراحی سرطان سینه برداشته شده است یا خیر.
یکی از نویسندگان این طرح گفت: بعضی از سرطان‌ها را حس می‌کنید و می‌بینید، اما ما نمی‌توانیم سلول‌های سرطانی میکروسکوپی که ممکن است در حاشیه منفی بافت وجود داشته باشند را ببینیم. این ابزار هوش مصنوعی به ما این امکان را می‌دهد که تومور‌های برداشته شده با جراحی را به‌طور هم‌زمان با دقت بیشتری تجزیه و تحلیل کنیم و شانس حذف تمام سلول‌های سرطانی در طول جراحی را افزایش دهیم. این مدل هوش مصنوعی از نیاز به بازگرداندن بیماران برای جراحی دوم یا سوم جلوگیری می‌کند.
محققان برای آموزش مدل هوش مصنوعی خود برای این که حاشیه‌های منفی و مثبت چگونه به نظر می‌رسند، از ۸۲۱ تصویر ماموگرافی نمونه که بلافاصله پس از برش برداشته شده بودند، استفاده کردند که با گزارش‌های نمونه نهایی پاتولوژیست‌ها مطابقت داشت. بیش از نیمی (۵۳ ٪) از تصاویر دارای حاشیه مثبت بودند. پزشکان داده‌های دموگرافیک بیماران مانند سن، نژاد، نوع تومور و اندازه تومور را در اختیار مدل قرار دادند.
آن‌ها متوجه شدند که مدل هوش مصنوعی حساسیت را به میزان ۸۵ ٪، ویژگی را به میزان ۴۵ ٪ و ناحیه زیر منحنی مشخصه عملکرد گیرنده (AUROC) را با میزان ۰.۷۱ نشان می‌دهد. حساسیت معیاری است که نشان می‌دهد یک مدل چقدر می‌تواند نمونه‌های مثبت را تشخیص دهد، در حالی که ویژگی، نسبت منفی‌های واقعی را که مدل به درستی شناسایی می‌کند، اندازه گیری می‌کند. 
محققان می‌گویند که در مقایسه با دقت تفسیر انسان، این مدل هوش مصنوعی اگر بهتر از انسان نباشد، عملکرد خوبی داشته است.