به گزارش سیتنا، تا امروز بیش از ۱۵۰ نوع تومور مغزی شناسایی شده است؛ و اگرچه همه آنها سرطان مغز نیستند، می‌توانند به دلیل موقعیت مکانی‌شان خطرناک باشند. تومورهای مغزی خوش‌خیم که در نواحی حیاتی مغز قرار دارند، ممکن است تهدیدکننده حیات باشند. به گفته مرکز پزشکی جان هاپکینز، در موارد نادر، تومور خوش‌خیم ممکن است به بدخیم تبدیل شود.
طبق گزارش انجمن سرطان آمریکا، پیش‌بینی شده است که تقریبا ۱۹ هزار نفر امسال از سرطان‌های مغز و دیگر سرطان‌های سیستم عصبی جان خود را از دست بدهند. تخمین زده می‌شد که تقریبا همین تعداد نیز سال گذشته از تومورهای مغزی و نخاعی جان خود را از دست داده باشند.
اکنون، دانشمندان، شبکه‌های عصبی پیچشی [یا هم‌گشتی] – که به‌عنوان الگوریتم‌های یادگیری ماشینی و نوعی هوش مصنوعی شناخته می‌شوند – را آموزش داده‌اند تا شناسایی کنند کدام تصاویر ام‌آر‌آی، مغزهای سالم و کدام‌یک مغزهایی را نشان می‌دهند که بر اثر سرطان آسیب دیده‌‌اند. افزون بر این، این مدل‌ها می‌توانند ناحیه تحت تاثیر سرطان و نوع سرطانی را که به آن شباهت دارد مشخص کنند.
آنها دریافتند که شبکه‌های هوش مصنوعی در شناسایی تصاویر مغزهای سالم و تمایز میان مغزهای سرطانی و سالم، عملکرد بالایی دارند. مدل اول می‌تواند با میانگین دقت تقریبا ۸۶ درصد سرطان مغز را تشخیص دهد. مدل دوم نیز دارای دقتی بیش از ۸۳ درصد است.
محققان برای آموزش مدل‌ها از داده‌های تصویری ام‌آر‌آی موجود در دسترس عموم استفاده کردند. یافته‌های آنها روز سه‌شنبه در مقاله‌ای جدید در مجله «روش‌ها و پروتکل‌های زیست‌شناسی» (Biology Methods and Protocols) منتشر شده است.
نویسندگان [این مقاله] برای بهبود توانایی شبکه‌ها در تشخیص تومورها، آنها را برای شناسایی استتار آموزش داده‌اند. آنها بر این باورند که بین جانوری که از طریق استتار طبیعی مخفی می‌شود – مانند آفتاب‌پرست‌ها و حشرات چوبک‌سان – و گروهی از سلول‌های سرطانی که با بافت سالم مغز ترکیب می‌شوند، شباهت وجود دارد.
آنها دریافتند که این شبکه می‌تواند تصاویری تولید کند که نواحی خاصی را در طبقه‌بندی خود نشان می‌دهد. آنها گفتند که این قابلیت به پزشکان امکان می‌دهد تصمیمات خود را با یافته‌های هوش مصنوعی، «اعتبارسنجی متقابل» کنند.
[توضیح مترجم: اعتبارسنجی متقابل به یک روش ارزیابی مدل گفته می‌شود که بر اساس آن مشخص می‌شود نتایج یک تحلیل آماری بر روی یک مجموعه داده تا به چه میزان قابل تعمیم و مستقل از داده‌های آموزشی است.]
در تمامی موارد، این شبکه‌ها همچنان در تمایز بین انواع سرطان مغز با دشواری مواجهند.
بهترین مدل پیشنهادی، نسبت به تشخیص انسانی معمول و رایج، حدود ۶ درصد دقت کمتری دارد.
با این حال، محققان گفتند که دقت و وضوح این مدل‌ها با آموزش تشخیص استتار، بهبود پیدا کرد و همچنین ظرفیت آنها در استفاده مجدد از مدل آموزش دیده برای یک وظیفه [مشخص]، در پروژه‌ای جدید و در عین حال مرتبط، به افزایش دقت منجر شد.
این خبر در پی [انتشار] مقاله‌ای از مرکز سلامت دانشگاه میشیگان منتشر می‌شود که دریافت، هوش مصنوعی می‌تواند ژنتیک تومورهای مغزی سرطانی را در کمتر از ۹۰ ثانیه پیش‌بینی کند.
آرش یزدان‌بخش نویسنده اصلی این مقاله در اظهاراتی گفت: «پیشرفت‌های هوش مصنوعی امکان تشخیص و شناسایی دقیق‌تر الگوها را فراهم می‌کند، این امر به‌طور متقابل به تشخیص مبتنی بر تصویربرداری و غربال‌گری بهتر کمک می‌کند، اما همچنین نیازمند توضیحات بیشتری در مورد چگونگی انجام این کار با هوش مصنوعی است.»
او گفت: «تلاش برای توضیح‌پذیری هوش مصنوعی، به‌طور کلی ارتباط بین انسان و هوش مصنوعی را بهبود می‌بخشد. این موضوع به‌ویژه در تعامل میان متخصصان پزشکی و هوش مصنوعیِ طراحی‌شده برای اهداف پزشکی اهمیت دارد. مدل‌های شفاف و توضیح‌پذیر برای کمک به تشخیص، پیگیری پیشرفت بیماری و نظارت بر درمان در موقعیت بهتری قرار دارند»
نظرات کاربران