مدل هوش مصنوعی مراحل خاصی از تومور سینه را شناسایی می کند که احتمال پیشرفت آن به سرطان مهاجم وجود دارد

کارسینوم مجرای درجا (DCIS) نوعی تومور پیش تهاجمی است که گاهی به شکل بسیار کشنده سرطان سینه پیشرفت می کند. حدود 25 درصد از تمام تشخیص های سرطان سینه را تشکیل می دهد.

از آنجایی که تشخیص نوع و مرحله DCIS برای پزشکان دشوار است، بیماران مبتلا به DCIS اغلب بیش از حد درمان می شوند. برای رسیدگی به این موضوع، یک تیم بین رشته‌ای از محققان MIT و ETH زوریخ یک مدل هوش مصنوعی توسعه دادند که می‌تواند مراحل مختلف DCIS را از یک تصویر ارزان و آسان بافت پستان شناسایی کند. مدل آنها نشان می دهد که هم وضعیت و هم آرایش سلول ها در یک نمونه بافت برای تعیین مرحله DCIS مهم است.

از آنجایی که دستیابی به چنین تصاویر بافتی بسیار آسان است، محققان توانستند یکی از بزرگترین مجموعه داده ها را در نوع خود بسازند که از آن برای آموزش و آزمایش مدل خود استفاده کردند. هنگامی که آنها پیش‌بینی‌های آن را با نتایج یک آسیب‌شناس مقایسه کردند، در بسیاری از موارد به توافق واضحی دست یافتند.

در آینده، این مدل می‌تواند به‌عنوان ابزاری برای کمک به پزشکان برای ساده‌سازی تشخیص موارد ساده‌تر بدون نیاز به آزمایش‌های فشرده استفاده شود و به آنها زمان بیشتری برای ارزیابی مواردی که مشخص نیست DCIS تهاجمی می‌شود یا خیر، می‌دهد.

ما اولین قدم را برای درک این موضوع برداشتیم که هنگام تشخیص DCIS باید به سازماندهی فضایی سلول ها نگاه کنیم و اکنون تکنیکی را توسعه داده ایم که مقیاس پذیر است. از اینجا، ما واقعاً به یک مطالعه آینده نگر نیاز داریم. کارولین اوهلر، استاد گروه مهندسی برق و علوم کامپیوتر (EECS) و موسسه داده ها، سیستم ها و جامعه می گوید: کار با یک بیمارستان و رساندن آن به کلینیک گام مهمی به جلو خواهد بود. IDSS)، که همچنین مدیر مرکز اریک و وندی اشمیت در مؤسسه Broad MIT و هاروارد و محققی در آزمایشگاه MIT برای اطلاعات و سیستم های تصمیم گیری (LIDS) است.

اوهلر، نویسنده همکار مقاله روی این تحقیق توسط نویسنده اصلی Xinyi Zhang، یک دانشجوی کارشناسی ارشد در EECS و مرکز اریک و وندی اشمیت، پیوست. نویسنده همکار GV Shivashankar، استاد mechogenomics در ETH زوریخ به طور مشترک با موسسه Paul Scherrer. و دیگران در MIT، ETH زوریخ، و دانشگاه پالرمو در ایتالیا. تحقیق دسترسی آزاد در 20 ژوئیه منتشر شد ارتباطات طبیعت.

ترکیب تصویربرداری با هوش مصنوعی

بین 30 تا 50 درصد از بیماران مبتلا به DCIS به مرحله بسیار تهاجمی سرطان مبتلا می‌شوند، اما محققان نشانگرهای زیستی را نمی‌دانند که به پزشک بگوید کدام تومور پیشرفت می‌کند.

محققان می توانند از تکنیک هایی مانند رنگ آمیزی چندگانه یا توالی یابی RNA تک سلولی برای تعیین مرحله DCIS در نمونه های بافتی استفاده کنند. شیواشانکار توضیح می دهد که با این حال، این آزمایش ها برای انجام گسترده بسیار گران هستند.

در کار قبلی، این محققان نشان دادند که یک تکنیک تخیلی ارزان به نام رنگ‌آمیزی کروماتین می‌تواند به اندازه توالی‌یابی RNA تک سلولی بسیار پرهزینه‌تر آموزنده باشد.

برای این تحقیق، آنها فرض کردند که ترکیب این لکه تنها با یک مدل یادگیری ماشینی طراحی شده با دقت می‌تواند همان اطلاعاتی را در مورد مرحله سرطان با تکنیک‌های گران‌تر ارائه دهد.

ابتدا یک مجموعه داده شامل 560 تصویر نمونه بافت از 122 بیمار در سه مرحله مختلف بیماری ایجاد کردند. آنها از این مجموعه داده برای آموزش یک مدل هوش مصنوعی استفاده کردند که نمایشی از وضعیت هر سلول را در یک تصویر نمونه بافتی یاد می‌گیرد و از آن برای استنباط مرحله سرطان بیمار استفاده می‌کند.

با این حال، هر سلولی نشان دهنده سرطان نیست، بنابراین محققان مجبور شدند آنها را به روشی معنادار جمع کنند.

آنها این مدل را برای ایجاد خوشه هایی از سلول ها در حالت های مشابه طراحی کردند و هشت حالت را که نشانگرهای مهم DCIS هستند شناسایی کردند. برخی از حالات سلولی بیش از سایرین نشان دهنده سرطان مهاجم هستند. این مدل نسبت سلول ها را در هر حالت در یک نمونه بافت تعیین می کند.

امور سازمانی

اما در سرطان، سازماندهی سلول ها نیز تغییر می کند. ما دریافتیم که فقط داشتن نسبت سلول ها در هر حالت کافی نیست. شما همچنین باید بدانید که سلول ها چگونه سازماندهی شده اند.

با این بینش، آنها این مدل را برای در نظر گرفتن تناسب و آرایش حالات سلولی طراحی کردند که دقت آن را به طور قابل توجهی افزایش داد.

نکته جالب برای ما این بود که دیدیم سازماندهی فضایی چقدر اهمیت دارد. مطالعات قبلی نشان داده بود که سلول های نزدیک به مجرای سینه مهم هستند. ژانگ می‌گوید، اما در نظر گرفتن اینکه کدام سلول به کدام سلول دیگر نزدیک است نیز مهم است.

هنگامی که آنها نتایج مدل خود را با نمونه های ارزیابی شده توسط یک آسیب شناس مقایسه کردند، در بسیاری از موارد توافق واضحی داشت. در مواردی که واضح نبود، مدل می‌تواند اطلاعاتی در مورد ویژگی‌های یک نمونه بافت، مانند سازماندهی سلول‌ها، که یک آسیب‌شناس می‌تواند در تصمیم‌گیری استفاده کند، ارائه دهد.

این مدل چندمنظوره همچنین می‌تواند برای استفاده در انواع دیگر سرطان، یا حتی شرایط نورودژنراتیو، که یکی از حوزه‌هایی است که محققان در حال حاضر نیز در حال بررسی آن هستند، سازگار شود.

ما نشان داده‌ایم که با تکنیک‌های درست هوش مصنوعی، این لکه ساده می‌تواند بسیار قدرتمند باشد. اوهلر می گوید: هنوز تحقیقات بیشتری برای انجام وجود دارد، اما ما باید سازماندهی سلول ها را در مطالعات بیشتری در نظر بگیریم.

این تحقیق تا حدی توسط مرکز اریک و وندی اشمیت در مؤسسه براد، ETH زوریخ، مؤسسه پل شرر، بنیاد ملی علوم سوئیس، مؤسسه ملی بهداشت ایالات متحده، دفتر تحقیقات نیروی دریایی ایالات متحده، MIT تأمین شده است. کلینیک Jameel برای یادگیری ماشین و سلامت، آزمایشگاه هوش مصنوعی واتسون MIT-IBM، و جایزه محقق سیمونز.