کاربردهای مهم هوش مصنوعی در حوزه مراقبت از سرطان

سطح مطلب: متوسط

زمان مطالعه: ۱۲ دقیقه

نقش هوش مصنوعی در مبارزه با سرطان

سرطان، بیماری همه گیر پنهان. سرطان سالانه در بیش از ۱۸ میلیون نفر تشخیص داده می شود و پیش بینی می شود که این تعداد تا سال ۲۰۴۰ به ۳۰ میلیون نفر افزایش یابد. در عین حال، کمبود قابل توجهی از کارکنان حوزه مراقبت های بهداشتی قابل انتظار است. هوش مصنوعی می‌تواند نقش مهمی در پرداختن به این چالش‌ها ایفا کند و باید گفت امروزه نقشی کلیدی در مبارزه با سرطان ایفا می‌کند – از تشخیص زودهنگام، تصمیم‌گیری و برنامه‌ریزی درمانی تا درمان واقعی و پیگیری.

در مقایسه با انسان ها، هوش مصنوعی خسته نمی شود. حتی پس از یک روز کاری طولانی، همیشه همان کیفیت استاندارد را ارائه می دهد. به همین دلیل است که برخی از کارهایی که در روال بالینی زمان زیادی می‌برند، می‌توانند خودکار و استاندارد شوند تا پزشکان را از کارهای خسته‌کننده و تکراری رهایی بخشد و در عین حال تشخیص و درمان دقیق را برای بیماران ارائه دهد. این موضوع در مراقبت از سرطان بسیار مهم است، زیرا هر چه سرطان زودتر و دقیق‌تر تشخیص داده شود، شانس درمان بیشتر می‌شود. یکی دیگر از مزایای تشخیص و درمان زودهنگام بر طبق مطالعات صورت گرفته این است که اگر بیماران بیشتری زودتر تحت درمان قرار گیرند، هزینه‌های مالی سرطان می تواند تا حد زیادی کاهش یابد. اولا هزینه درمان اولیه سرطان بسیار کمتر است و ثانیاً، بیماران می‌توانند زودتر به سر کار بازگردند، کمتر به مراقبت‌های پس از درمان نیاز داشته باشند و به طور کلی از کیفیت زندگی بهتری بهره‌مند شوند.

در زمینه تشخیص بیماری و شناسایی زودهنگام، در سال‌های اخیر کمپانی‌های پیشرو جهان بخشی از توان خود را برای سرعت بخشیدن به گردش کار به کمک توسعه نرم افزارهای کاربردی اختصاص داده اند – که برخی از آنها به طور خاص سرطان را هدف قرار می‌دهند. این دسته از برنامه های کاربردی، که اغلب مبتنی بر الگوریتم‌های یادگیری عمیق^۱ طراحی می‌شوند، قادر به پشتیبانی از انواع عملکردهایی از قبیل برجسته کردن ناهنجاری ها، تقسیم بندی آناتومی ها و مقایسه نتایج با مقادیر مرجع است. برای نمونه Xmaru Pro نرم افزار مجهز به هوش مصنوعی کمپانی rayence عملکردی در راستای برجسته کردن ناهنجاری‌ها (روی تصاویر سینه) و همچنین قیاس تصاویر با تصاویر مرجع (تشخیص سن استخوانی) دارد.

با هوش مصنوعی که برخی مراحل را خودکار می کند، می توان زمان بیشتری را به بیماران اختصاص داد که ممکن است از تشخیص زودهنگام و در صورت لزوم درمان بهره مند شوند. مطالعات بهبود گردش کار را زمانی که پشتیبانی هوش مصنوعی برای خواندن تصاویر سی‌تی قفسه سینه ارائه می‌شود، با کاهش میانگین زمان تفسیر برای رادیولوژیست‌ها، تا حدود ۲۲ درصد نشان داده‌اند.

 

یک جفت چشم اضافی

 

سرطان ریه

سرطان ریه شایع ترین سرطان در مردان در سراسر جهان و همچنین کشنده ترین نوع سرطان است. اینجا محل یکی از کاربردهای عملی هوش مصنوعی در حوزه مراقبت از سرطان است. وقتی نوبت به تشخیص واقعی و خواندن تصاویر پزشکی می‌رسد، هوش مصنوعی می‌تواند با تشخیص خودکار و علامت‌گذاری گره‌های ریه بر روی تصاویر CT به رادیولوژیست کمک کند. پس از قطعه بندی^۲ گره ها، AI-Rad Companion به طور خودکار حجم و حداکثر قطر دو بعدی و سه بعدی آنها را محاسبه می کند. (AI-Rad Companion نام نرم افزار کمپانی Siemens است که می‌توانید نسخه آزمایشی آنرا اینجا بررسی کنید).  این امر به رادیولوژیست ها در تمرکز بر روی این مناطق کمک می‌کند. اگر ثابت شود که این تومورهای بدخیم هستند، درمان ممکن است زودتر شروع شود. پروفسور فیلیپ گرنیر از Hôpital Foch، در کشور فرانسه توضیح می دهد: “هوش مصنوعی این امکان را دارد که زمان گردش کار را کوتاه کند و اثربخشی غربالگری سرطان ریه را افزایش دهد.”

در صورتی که یافته ای وجود داشته باشد و شروع درمان بیمار، می توان از این نرم افزار در جلسات پیگیری نیز استفاده کرد. پایش و مقایسه تومور در طول زمان بسیار کاربر و در نتیجه پرهزینه است. با استفاده ازویژگی پیگیری، بیماران را می توان با توجه به گریدهای ویژه برای تولید تصاویر قابل مقایسه مجدداً اسکن کرد. یکی دیگر از مزایای الگوریتم سی تی قفسه سینه مبتنی بر هوش مصنوعی: استفاده در برنامه های اختصاصی برای گروه های پر خطر، به عنوان مثال افراد سیگاری است. همچنین می تواند یافته‌های تصادفی را برای سایر نواحی که در زمینه اسکن گنجانده شده اند، مانند قطرهای بزرگ شده آئورت، ارائه دهد. زیرا الگوریتم هوش مصنوعی به طور خودکار تصویر سی تی کامل قفسه سینه را تجزیه و تحلیل می کند و مانند یک رادیولوژیست که معمولاً روی ریه تمرکز می کند، عمل نمی کند.

البته پیش از بکارگیری تصاویر سی تی اسکن، امکان استفاده از هوش مصنوعی در تحلیل تصاویر رادیوگرافی سینه نیز مهیا شده است. نرم افزار Xmaru Pro کمپانی rayence پس از آنالیز تصاویر اشعه ایکس سینه، اطلاعاتی برای ۵ یافته اصلی فراهم می‌آورد و تصمیم میگیرد که آیا آن‌ها طبیعی یا غیر طبیعی هستند. تحلیل تصاویر برای Nodule/Mass، Interstitial Opacity، Consolidation، Pneumothorax و Effusion صورت می‌گیرد. سپس این برنامه کاربردی یافته‌ها را برای کمک به درمان بیماری‌های عمده ریوی مانند سرطان ریه، بیماری سل و ذات‌الریه ترکیب و تحلیل می‌کند. برای اطلاعات بیشتر درباره نرم افزار Xmaru Pro اینجا را کلیک کنید.

 

سرطان پروستات

در زمینه سرطان پروستات که در آن تصویربرداری تشدید مغناطیسی (MRI) به طور معمول روش تصویربرداری انتخابی است، یک MR پروستات همراه با AI-Rad که به طور خاص برای ارائه پشتیبانی بیوپسی به رادیولوژیست ها توسعه یافته است بکار می‌آید. این نرم افزار یک قطعه بندی خودکار و همچنین تخمین خودکار حجم پروستات را انجام می دهد. زمانی که مقدار آنتی ژن اختصاصی پروستات (PSA) شناخته شود، هوش مصنوعی می تواند چگالی PSA را بر اساس آن محاسبه کند. رادیولوژیست می تواند به صورت دستی ضایعات و سایر اهداف را علامت گذاری و مشخص کند و نظرات خود را اضافه کند. قطعه‌بندی‎‌ها، اهداف یافت شده و همچنین خطوط (کانتورهای) ایجاد شده می توانند برای اورولوژیست ارسال شوند تا با تصاویر اولتراسوند به عنوان راهنمایی بیوپسی ترکیب (fused) شوند.

راه‌حل‌های مبتنی بر هوش مصنوعی به مبارزه با سرطان کمک می‌کند – از پشتیبانی رادیولوژی برای ریه و پروستات گرفته تا کانتورینگ خودکار اندام‌ها در برنامه‌ریزی درمانی.

 

تلاش برای دقت بیشتر در غربالگری سرطان پستان

هوش مصنوعی در حوزه مراقبت از سرطان سینه به کمک رادیولوژیست ها می‌آید. برای افزایش دقت و سرعت بخشیدن به تشخیص زودهنگام سرطان پستان، زیمنس یک الگوریتم ویژه مبتنی بر هوش مصنوعی را در نرم‌افزار خواندن تصاویر ماموگرافی خود ادغام کرده است که به دو روش کمک می کند. اولاً، این ابزار هوش مصنوعی که بر روی بیش از یک میلیون داده چند فروشنده از سراسر جهان آموزش دیده است، به رادیولوژیست‌ها کمک می‌کند تا مواردی را که احتمال بدخیمی بالاتری دارند، با تریاژ^۳ کردن آنها بر اساس امتیاز اهمیت از ۱ تا ۱۰، اولویت‌بندی کنند. این بدان معناست که موارد مشکوک‌تر می‌توانند اولویت‌بندی شود و بیماران می‌توانند تشخیص و درمان احتمالی بعدی خود را زودتر دریافت کنند.

ثانیا، این نرم افزار تجزیه و تحلیل منطقه ای را برای مناطق مخصوص ارائه می دهد و به روشی تعاملی برای کمک به رادیولوژیست‌ها در خواندن دقیق‌تر عمل می‌کند. اگر رادیولوژیست‌ها ناهنجاری را در ماموگرافی یا توموسنتز ببینند، می‌توانند روی ناحیه مشکوک کلیک کنند و سپس تخمینی را از ۱ تا ۹۵ دریافت کنند که احتمال وجود یک بدخیمی چقدر است. رادیولوژیست Ritse Mann، MD، از مرکز پزشکی دانشگاه رادبود، Nijmegen، از کشور هلند می گوید: “از آنجایی که غربالگری دقیق‌تر می شود، زنان کمتری باید برای تجزیه و تحلیل بیشتر به بیمارستان مراجعه کنند در حالی که همان حساسیت حفظ می‌شود.”

یک راه حل اختصاصی هوش مصنوعی برای خواندن تصاویر ماموگرافی، رادیولوژیست ها را با تجزیه و تحلیل منطقه ای برای مناطق اختصاصی پشتیبانی می کند و به روشی تعاملی کار می کند.

 

استفاده از هوش مصنوعی به منظور کیفیت پایدار در طراحی درمان سرطان^۴

اگر بیمار باید تحت پرتودرمانی قرار گیرد، طراحی یک برنامه درمانی کامل کلیدی است، زیرا هدف ما از بین بردن سلول‌های سرطانی در عین حفظ عملکرد بافت و اندام سالم برای دریافت بهترین نتیجه برای بیمار است. ایجاد چنین طرحی پیچیده است. برنامه‌ریزی مبتنی بر دانش RapidPlan™ از کمپانی Varian (که در حال حاضر از شرکت‌های زیمنس Healthineers است)، یک ابزار یادگیری ماشین^۵ است که بهترین شیوه‌ها را از طراحی‌های درمانی موفق گذشته مطالعه می‌کند و مدل‌های درمانی دانش بنیان را ایجاد می‌کند که برای بهبود طراحی درمان بیماران بعدی به کار می‌رود. این مدل‌های RapidPlan به تولید و تأیید سریع میزان اعتبار طرح‌های درمانی جدید با کیفیت بالا که بر اساس تخصص به اشتراک گذاشته می‌شود کمک می‌کنند. علاوه بر این، قبل از شروع پرتودرمانی واقعی، انکولوژیست‌های پرتودرمانی باید اندام‌های در معرض خطر (organs-at-risk / OAR) را بر اساس تصاویر CT کانتور کنند تا از توزیع دقیق تر دوز و بهینه‌سازی درمان‌های رادیوتراپی اطمینان حاصل کنند و در نتیجه از پرتوگیری غیرضروری OAR سالم واقع در نزدیکی تومور تا حد امکان جلوگیری کنند. برای انجام این کار به صورت خودکار و بدون کار دستی دست و پا گیر، شرکت‌های پیشرو راه‌حل های مختلف کانتورینگ خودکار مبتنی بر هوش مصنوعی را ارائه می‌دهند، مانند AI-Rad Companion Organs RT. دکتر مانوئل آلگارا لوپز، از بیمارستان دل مار در بارسلون، اسپانیا توضیح می دهد که “الگوریتم‌های استاندارد شده همان دقت یک متخصص پرتودرمانی با تجربه را ارائه می‌کنند – همیشه نتایج ثابتی را ارائه می‌دهند. کانتورینگ دستی می‌تواند از کاربری به کاربر دیگر متفاوت باشد، که بر درمان تاثیر می گذارد”.

توانایی تطبیق درمان‌ها بر اساس آنچه که هر روز شاهد آن هستیم، مزایای زیادی را نشان می دهد.

ترنت آلند، مدیر گروه فیزیک پزشکی گروه آیکون، استرالیا

 

تطبیق درمان به طور مداوم توسط هوش مصنوعی

اما نقش هوش مصنوعی با طراحی درمان متوقف نمی شود، AI همچنین می تواند از درمان فردی پشتیبانی کند. در طول دوره پرتودرمانی سرطان، که می تواند از یک تا هفت هفته طول بکشد، تغییرات آناتومیکی در تومور و همچنین در بافت های سالم اطراف ایجاد می شود. «درمان تطبیقی^۶» راهی برای توضیح این تغییرات در عرض چند دقیقه است: سیستم Ethos Therapy^TM ارائه شده توسط Varian، قادر است هر روز یک برنامه درمانی جدید رادیوتراپی برای هر بیمار جداگانه بر اساس آناتومیک فعلی ایجاد کند. تصاویری که درست قبل از درمان گرفته شده‌اند، به جای اینکه یک دوره کامل درمان را بر اساس یک سی تی اسکن که روزها یا حتی هفته ها قبل از شروع درمان ایجاد می شود، ملاک قرار دهیم. بنابراین، Ethos تیم بالینی را قادر می‌سازد تا درمان هدفمندتری را ارائه دهد که تأثیر آن بر سایر بافت‌ها و اندام‌ها را به حداقل می‌رساند.

ترنت الند، مدیر گروه فیزیک پزشکی در گروه آیکون، بزرگترین ارائه دهنده مراقبت از سرطان استرالیا، گفت: «توانایی انطباق درمان ها بر اساس آنچه که هر روز می بینیم، مزایای بزرگی را نشان می دهد. از آنجایی که تیم‌های بالینی ما ترکیبی از مهارت‌ها، از جمله درمان پروستات، سر و گردن، و قفسه سینه را دارند، ما فرصتی برای توسعه و ارائه گردش کاری سازگار برای طیف وسیعی از بیماران می‌بینیم. ما همچنین در حال بررسی مجدد این موضوع هستیم که آیا باید آماده سازی های سنگینی مانند مثانه پر و روده خالی را به بیماران خود تحمیل کنیم.”

همه این مثال‌ها نشان می‌دهند که چگونه هوش مصنوعی در حوزه مراقبت از سرطان می‌تواند از متخصصان مراقبت‌های بهداشتی در مبارزه روزانه با این بیماری حمایت کند تا به بیماران خود با تشخیص‌های زودتر و دقیق‌تر و طراحی درمان و درمان سریع‌تر و دقیق‌تر خدمات  بهتری ارائه دهند.

---

پانویس

۱- deep learning algorithms

۲- segmentation

۳- تریاژ (به فرانسوی: triage) فرایند اولویت‌بندی بیماران برای بهره‌مندی ازدرمان است که بر اساس شدت وخامت حال بیمار انجام می‌شود.

۴- cancer therapy planning

۵- machine learning

۶- adaptive therapy

مطلب فوق توسط بخش تحقیق و توسعه شرکت دلسا پرتو نگار تهیه شده است، باز نشر محتوای فوق تنها با ذکر نام منبع مجاز می باشد.