اتوماسیون, بهداشت و درمان, تحقیق و مفهوم, سنسورها, ماشین لرنینگ, هوش مصنوعی

ماشین لرنینگ می‌تواند در آینده به تشخیص سرطان کمک کند

سیگنال کالا با توجه به نیاز موجود به اطلاعات دقیق و به روز در حوزه الکترونیک و همچنین در جهت گسترش دانش و امکان به کارگیری آن در این حوزه، اقدام به جمع‌آوری مقالات معتبری در این زمینه کرده است. مقالات مذکور،جهت سهولت دسترسی به اطلاعات دست اول و  افزایش نوآوری و سهولت در استفاده از ابزار الکترونیکی برای مخاطبان ، توسط سیگنال کالا ترجمه شده و در اختیار عموم قرار گرفته است.

در مقاله زیر که در مورد ماشین لرنینگ و تأثیر آن در درمان سرطان در آینده آورده شده است، موارد زیر مورد بررسی قرار گرفته اند:

  • روش‌های مدرن تشخیص سرطان

  • ویژگی‌های سلول‌های سرطانی

  • پیاده‌سازی ماشین لرنینگ در تصویربرداری سرطان

  • دستگاه‌های هشدار سریع در بالین بیمار

  • آیا ماشین لرنینگ آیندۀ تشخیص سرطان است

 

machine learning

هوش مصنوعی (AI)[1] یک روند روبه‌رشد در سراسر جهان است. تعدادی از بخش‌های فناوری پیشرفته در حال استفاده از هوش مصنوعی با هدف بهره‌مندی صنعت از مزایای مرتبط با زمان، پول یا دقت هوش مصنوعی هستند. هوش مصنوعی در حال تبدیل شدن به بخش جدایی‌ناپذیری از علوم شیمیایی و دارویی است. از یک طرف، شبکه‌های عصبی مصنوعی راه‌هایی را برای طراحی و ترکیب داروهای جدید به شرکت‌ها پیشنهاد می‌دهند و از طرف دیگر، الگوریتم‌های ماشین لرنینگ راه‌هایی برای تشخیص سلول‌های سرطانی در بیمار با درجه دقت بسیار بالاتر پیشنهاد می‌دهند. در اینجا قصد داریم در رابطه با مورد دوم صحبت کنیم.

 

روش‌های مدرن تشخیص سرطان

دانشمندان طی سالیان متمادی از روش‌های مختلفی برای آزمایش و بررسی سرطان استفاده کرده‌اند، اما روش میکروسکوپی (ریزنگاری)[2] و سایر تکنیک‌های تصویربرداری[3] از روش‌های اصلی انجام این کار بوده‌اند. روزهایی که دانشمندان زیر میکروسکوپ را نگاه می‌کردند و بدون کمک رایانه به نتیجه می‌رسیدند گذشته است. در سال‌های اخیر، نرم‌افزارهای رایانه‌ای دانشمندان را قادر ساخته‌اند تا به شکل، اندازه و ریخت‌شناسی نمونه‌های تصویربرداری، از جمله سلول‌ها، نگاه کنند. با این حال، بسیاری از این نرم‌افزارها هنوز به ورودی انسان نیاز دارند تا مشخص کنند که نقاط مورد نظر (در این مورد، سلول‌های سرطانی) از کجا شروع و در کجا متوقف می‌شوند. این روش‌های تصویربرداری برای طیف وسیعی از تجهیزات تحلیل، از میکروسکوپ سادۀ آزمایشگاهی گرفته تا اسکنرهای ام‌آرآی طراحی شده‌اند.

بنابراین، هرچند روش‌های مؤثری برای تشخیص سرطان وجود دارد (و به همین دلیل است که انسان‌ها به طور کلی در شناخت و درک این بیماری بهتر شده‌اند) اما اکثر این روش‌ها هنوز هم در معرض خطای انسانی قرار دارند. حتی یک اشتباه کوچک می‌تواند به تشخیص نادرست منجر شود. ماشین لرنینگ در چند سال گذشته به عنوان راه‌حل بالقوه برای این امر پدیدار شده است. نتایج تا به امروز، توانایی تحلیل نمونه‌های تصویربرداری و تعیین دقیق وجود سلول‌های سرطانی را نشان داده‌اند.

چندین حسگر شیمیایی می‌توانند تشخیص دهند که آیا بیمار سرطان دارد یا خیر. هرچند پزشکان می‌توانند نشانگرهای زیستی[4] خاصی را در خون بیماران بررسی کنند، اما نمونه‌های زیستی ذاتاً پیچیده هستند. در حالی که آزمایش‌ها می‌توانند نشانگرهای زیستی خاصی را شناسایی کنند، نمونه‌های زیستی ذاتاً پیچیده هستند و تجزیه‌وتحلیل مایعات بدنِ انسان گاهی اوقات می‌تواند نتایج مستعد خطا تولید کند؛ بنابراین، پزشکان می‌توانند از الگوریتم‌های ماشین لرنینگ همراه با آزمایش‌های شیمیایی هشدار سریع[5] استفاده کنند تا «نویز» آزمایش‌ها را کاهش دهند و نقاط داده‌ی مورد نظر را برای تعیین ابتلا یا عدم ابتلا به سرطان تجزیه‌وتحلیل کنند.

 

ویژگی‌های سلول‌های سرطانی

سلول‌های سرطانی ویژگی‌های خاصی دارند که آن‌ها را از سلول‌های سالم متمایز می‌کنند. این ویژگی‌ها در کنار نشانگرهای زیستی خاصِ موجود در خون افراد مبتلا به سرطان اغلب راهی برای تعیین ابتلا یا عدم ابتلا به این بیماری فراهم می‌کنند. به خصوص از منظر تصویربرداری، ویژگی‌های فیزیکی سلول‌های سالم و سرطانی روش آسان‌تری برای تشخیص فیزیکی سرطان است.

برای مثال، در جایی که سلول‌های سالم و نرمال از یک نوع، معمولاً شکل و اندازۀ یکسانی دارند (اغلب ماهیت کروی / بیضی‌شکل دارند، مگر اینکه سلول‌های ویژه باشند) سلول‌های سرطانی معمولاً شکل و اندازۀ بسیار متفاوتی دارند (یعنی، شکل و اندازۀ تصادفی‌تری دارند) و می‌توانند به اطراف سلول‌های سالم‌تر بچسبند. علاوه بر این، در دستگاه‌های سلولی سالم، تقسیم سلول‌ها معمولاً کنترل می‌شود و آرایش سلول‌ها منظم است. از طرف دیگر، سلول‌های سرطانی با سرعت بسیار بالاتری تقسیم می‌شوند و معمولاً بسیار بی‌نظم هستند.

از دیگر ویژگی‌های سلول‌های سرطانی این است که معمولاً هسته‌های بزرگ و با شکل‌های متغیری دارند، در حالی که سلول‌های سالم، یک هستۀ کوچک و شکل معینی دارند. علاوه بر این، گرایش به از دست دادن ویژگی‌ها در سلول‌های سرطانی وجود دارد (به همین دلیل است که آن‌ها خطرناک هستند، چون این از دست دادن ویژگی‌ها علت ناتوانی سلول‌های سرطانی در انجام وظایفی است که سلول‌های سالم انجام می‌دهند). الگوریتم‌های ماشین لرنینگ می‌توانند تمامی این تفاوت‌ها و ویژگی‌های سلول‌های سالم و سرطانی را تجزیه‌وتحلیل ‌و مقایسه کنند، مشروط بر اینکه نرم‌افزار داده‌های کافی در اختیار داشته باشد.

 

پیاده‌سازی ماشین لرنینگ در تصویربرداری سرطان

الگوریتم‌های ماشین لرنینگ راهی برای تجزیه‌وتحلیل بهتر سلول‌های سرطانی و تعیین وجود یا عدم وجود سلول‌های سرطانی در بیمار ارائه می‌دهند. الگوریتم‌های ماشین لرنینگ با دریافت داده‌های تاریخی و تطبیق آن‌ها با داده‌های تجزیه‌وتحلیل فعلی کار می‌کنند. توانایی مقایسۀ داده‌های تاریخی و داده‌های جدید، الگوریتم‌ها را قادر می‌سازد تا تشخیص دهند که آیا سیستم به‌هنجار است یا ناهنجاری‌هایی وجود دارد (در این مورد، آیا سلول‌ها سالم هستند یا سلول‌های سرطانی وجود دارند).

برای مقایسۀ داده‌های تاریخی و داده‌های جدید، الگوریتم‌های ماشین لرنینگ باید داده‌های مطالعات گذشته را دریافت کنند. این داده‌ها شامل اندازه‌ها، شکل‌ها و ریخت‌شناسی‌های سطحی[6] سلول‌های سرطانی و سلول‌های سالم هستند. با انجام این کار، الگوریتم‌ها می‌توانند به سرعت و به راحتی تشخیص دهند که کدام سلول‌های موجود در تصویر سلول‌های سالم و کدام موارد به طور بالقوه سلول‌های سرطانی هستند. الگوریتم‌ها با ارائه روشی دقیق و آماری برای تجزیه‌وتحلیل سلول‌ها، خطای انسانی را در هنگام تعیین سرطانی بودن یا نبودن سلول‌ها و نیاز یا عدم نیاز به انجام آزمایش‌های بیشتر برای تأیید ابتلا به سرطان کاهش می‌دهند.

 

دستگاه‌های هشدار سریع در بالین بیمار[7]

اما ماشین لرنینگ تنها در زمینۀ روش‌های تصویربرداری به تشخیص سرطان کمک نمی‌کند. در سال‌های اخیر، تعدادی دستگاه هشدار سریع ساخته شده‌اند که می‌توانند خیلی زودتر از روش‌های دیگر ابتلا به سرطان را تشخیص دهند. بسیاری از این دستگاه‌ها بر مبنای سیستم‌های ریزسیال (سیستم‌های میکروفلوئیدی)[8] ساخته شده‌اند که داخل آن‌ها با گیرنده‌های سطحی خاصی که به سلول‌های سرطانی متصل می‌شوند عامل‌دار / پوشانده شده است؛ بنابراین، گیرنده‌ها باید مختص سرطان مورد نظر باشند، اما این سیستم‌ها اساساً به عنوان مجموعه‌ای از نانوحسگرهای در بالین بیمار[9] عمل می‌کنند که می‌توانند سیگنال هشدار سریع ارسال کنند که پزشکان را قادر می‌سازد تا بیماری را خیلی زودتر درمان کنند و در نتیجه شانس بقای بیمار را افزایش دهند.

ماشین لرنینگ از کدام مرحله کار خود را شروع می‌کند؟ اطلاعات کمی را می‌توان از این پلتفرم‌ها (و به طور کلی آزمایش‌های شیمیایی) جمع‌آوری کرد. تلاش برای شناسایی گرایش‌های موجود در بین مجموعه داده‌های مختلف برای ارائه تشخیص دقیق کار چندان ساده‌ای نیست (چون این مجموعه داده‌ها از اندازه و ریخت‌شناختی سلول‌ها گرفته تا بیان ژن[10] و میزان رشد / تقسیمِ گروه‌های سلولی را شامل می‌شوند).

دستگاه‌های در بالین بیمار را می‌توان در کنار روش‌های تصویربرداری به کار گرفت تا داده‌ها را از منظر شیمیایی تجزیه‌وتحلیل کنند و به طور همزمان و در حین تجزیه‌وتحلیل از نمونه تصویربرداری کنند؛ بنابراین، با تقسیم‌بندی تصویر به برش‌های مختلف، در کنار استفاده از الگوریتم‌های ماشین لرنینگ  و اصول ذکرشده در بالا در مورد رمزگشایی، تفاوت بین سلول‌های سالم و سرطانی را می‌توان در برخی دستگاه‌های در بالین بیمار نیز به کار گرفت؛ بنابراین، در آینده احتمال ترکیب روش تشخیص شیمیایی و تصویربرداری برای ایجاد پلتفرم‌هایی وجود دارد که می‌توانند تجزیه‌وتحلیل کمّی و کیفی ارائه دهند.

 

آیا ماشین لرنینگ آیندۀ تشخیص سرطان است؟

آیا ماشین لرنینگ آینده‌ی تشخیص سرطان است؟ در این مرحله، این سؤال یک سؤال باز با پاسخی باز است. علاقه و تلاش زیادی برای به‌کارگیری ماشین لرنینگ و سایر الگوریتم‌های هوش مصنوعی در بخش‌های پزشکی و دارویی وجود دارد. امید زیادی به استفاده از ماشین لرنینگ در تشخیص سرطان وجود دارد چراکه ماشین لرنینگ هم در آزمایش‌های شیمیایی و هم در تصویربرداری مفید است. محدودۀ کاربرد گسترده است و ماشین لرنینگ ممکن است در سطح بالینی در یک زمینه مفیدتر از زمینه‌ی‎ دیگر باشد.

هرچند استفاده از ماشین لرنینگ و الگوریتم‌های هوش مصنوعی در حال رشد است اما هنوز در مراحل اولیه قرار دارد. اگرچه بسیاری از بخش‌ها شروع به پذیرش بیشتر هوش مصنوعی کرده‌اند، اما جامعۀ پزشکی باید فناوری‌ها را مورد بررسی دقیق قرار دهد، چراکه ممکن است مشکلات بالقوه‌ای پیرامون تشخیص اشتباه و رفاه بیمار وجود داشته باشد. با این حال، انگیزه برای تجزیه‌وتحلیل دقیق‌تر سرطان و سایر بیماری‌ها وجود دارد. ماشین لرنینگ از پتانسیل و مزیت حذف سوگیری انسان[11] برخوردار است.

بدیهی است که جنبه‌ی اخلاقی نیز برای تشخیص‌های پزشکی وجود دارد و رویکردهای هوش مصنوعی احتمالاً همچنان به ورودی انسانی از طرف پزشک آموزش‌دیده برای تأیید نتایج نیاز دارند. در غیر این صورت، ممکن است در صورت تشخیص اشتباه یا اشکال نرم‌افزاری، مشکلاتی رخ دهد که در هر فناوری دیگری نیز رخ می‌دهند. هرچند فناوری پزشکی ممکن است دچار نقص شود، اما معمولاً پشتیبان انسانی برای اصلاح خطا در اکثر محیط‌های بالینی وجود دارد؛ بنابراین، با وجود اینکه ماشین لرنینگ می‌تواند امکان انجام تمامی تحلیل‌ها را فراهم کند، اما ممکن است هنوز از دیدگاه اخلاقی به ورودی (نظر) انسان نیاز باشد.

اگر بتوانیم ملاحظات اخلاقی را مدیریت کنیم و الگوریتم‌ها دقیق و قابل‌اعتماد باشند، دلیلی وجود ندارد که در آینده شاهد استفاده از ماشین لرنینگ در تشخیص سرطان نباشیم؛ اما تنها زمان نشان خواهد داد که تا چه حد متخصصان پزشکی از هوش مصنوعی در سرطان‌شناسی (اُنکولوژی) و محیط‌های بالینی گسترده‌تر استفاده خواهند کرد.

 

منبع: Machine Learning Could Help Cancer Diagnosis in the Future | Benc (mouser.com)

 

[1] Artificial Intelligence

[2] Microscopy

[3] imaging techniques

[4] biomarkers

[5] early warning chemical tests

[6] surface morphologies

[7] Early Warning Point-of-Care Devices

[8] microfluidic systems

[9] point-of-care nanosensors

[10] gene expression

[11] human bias

بازگشت به لیست

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *