الگوریتم یادگیری عمیق ممکن است درمان رادیوتراپی سرطان ریه - ScienceDaily را ساده کند
انتشار: شهریور 02، 1401
بروزرسانی: 15 آذر 1404

الگوریتم یادگیری عمیق ممکن است درمان رادیوتراپی سرطان ریه - ScienceDaily را ساده کند

ریموند مک، نویسنده مسئول بخش انکولوژی تشعشع بریگام، گفت: "بزرگترین شکاف ترجمه در کاربردهای هوش مصنوعی در پزشکی، عدم مطالعه نحوه استفاده از هوش مصنوعی برای بهبود پزشکان انسانی و بالعکس است." "ما در حال مطالعه چگونگی ایجاد مشارکت و همکاری بین انسان و هوش مصنوعی هستیم که منجر به نتایج بهتر برای بیماران می شود. مزایای این رویکرد برای بیماران شامل ثبات بیشتر در تقسیم بندی تومورها و تسریع زمان درمان است. مزایای پزشک شامل کاهش دنیوی اما عادی است. کار سخت کامپیوتری، که می تواند فرسودگی شغلی را کاهش دهد و زمان صرف کردن با بیماران را افزایش دهد."

منبع داستان:

در ادامه، محققان قصد دارند این کار را با مدل های هوش مصنوعی که قبلا طراحی کرده اند ترکیب کنند که می تواند «ارگان های در معرض خطر» دریافت پرتوهای نامطلوب را در طول درمان سرطان (مانند قلب) شناسایی کند و در نتیجه آن ها را از پرتودرمانی حذف کند. آنها به مطالعه نحوه تعامل پزشکان با هوش مصنوعی ادامه می دهند تا اطمینان حاصل کنند که مشارکت های هوش مصنوعی به جای آسیب رساندن به عملکرد بالینی کمک می کنند و در حال توسعه یک الگوریتم تقسیم بندی مستقل دوم هستند که می تواند هم تقسیم بندی های انسانی و هم تقسیم بندی های مبتنی بر هوش مصنوعی را تأیید کند.

محققان از تصاویر سی تی 787 بیمار برای آموزش مدل خود برای تشخیص تومورها از سایر بافت ها استفاده کردند. آنها عملکرد الگوریتم را با استفاده از اسکن های بیش از 1300 بیمار از مجموعه داده های خارجی که به طور فزاینده ای بیرونی بودند، آزمایش کردند. توسعه و اعتبارسنجی الگوریتم مستلزم همکاری نزدیک بین دانشمندان داده و انکولوژیست های تشعشع است. به عنوان مثال، زمانی که محققان مشاهده کردند که الگوریتم سی تی اسکن های مربوط به غدد لنفاوی را به اشتباه تقسیم می کند، مدل را با تعداد بیشتری از این اسکن ها برای بهبود عملکرد آن دوباره آموزش دادند.

مواد تهیه شده توسط بیمارستان بریگام و زنان. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع این مطالعه توسط مؤسسه ملی بهداشت (U24CA194354، U01CA190234، و U01CA209414) تأمین مالی شده است.

سرطان ریه، شایع ترین سرطان در سراسر جهان، تقریباً در نیمی از موارد با پرتودرمانی (RT) مورد هدف قرار می گیرد. برنامه ریزی RT یک فرآیند دستی و با منابع فشرده است که ممکن است روزها تا هفته ها طول بکشد تا تکمیل شود و حتی پزشکان بسیار آموزش دیده در تعیین میزان بافتی که باید با پرتو هدف قرار دهند متفاوت هستند. علاوه بر این، انتظار می رود با افزایش نرخ سرطان، کمبود پزشکان و کلینیک های پرتودرمانی-انکولوژی در سراسر جهان افزایش یابد. محققان و همکاران بیمارستان بریگهام و زنان، که تحت برنامه هوش مصنوعی در پزشکی Mass General Brigham کار می کنند، یک الگوریتم یادگیری عمیق را توسعه داده و تأیید کردند که می تواند تومور سرطان ریه سلول غیر کوچک (NSCLC) را شناسایی و ترسیم کند ("قطعه") توموگرافی کامپیوتری (CT) در عرض چند ثانیه. تحقیقات آنها، منتشر شده در Lancet Digital Healthهمچنین نشان می دهد که انکولوژیست های تشعشعی که از الگوریتم در کلینیک های شبیه سازی شده استفاده می کنند و همچنین پزشکانی که از الگوریتم استفاده نمی کنند، عملکرد خوبی دارند، در حالی که ۶۵ درصد سریع تر کار می کنند.

Hugo Aerts، دکترای بخش انکولوژی تشعشعی، یکی از نویسندگان این مطالعه گفت: «این مطالعه یک استراتژی ارزیابی جدید برای مدل های هوش مصنوعی ارائه می کند که بر اهمیت همکاری انسان و هوش مصنوعی تأکید می کند. "این به ویژه ضروری است زیرا در سیلیکو ارزیابی های (مدل کامپیوتری) می تواند نتایج متفاوتی نسبت به ارزیابی های بالینی بدهد. رویکرد ما می تواند به هموار کردن راه به سوی استقرار بالینی کمک کند."

در نهایت، محققان از هشت انکولوژیست تشعشع خواستند تا وظایف تقسیم بندی را انجام دهند و همچنین تقسیم بندی هایی را که توسط پزشک متخصص دیگر یا الگوریتم تولید می شود (به آن ها گفته نشده است) ویرایش کنند. تفاوت معنی داری در عملکرد بین همکاری های انسان و هوش مصنوعی و تولید انسان وجود نداشت (از نو) تقسیم بندی ها جالب اینجاست که پزشکان هنگام ویرایش یک بخش بندی تولید شده با هوش مصنوعی در مقایسه با نمونه ای که به صورت دستی تولید می شد، 65 درصد سریع تر و با 32 درصد تغییرات کمتر کار می کردند، حتی اگر نمی دانستند کدام یک را ویرایش می کنند. آنها همچنین کیفیت بخش های ترسیم شده توسط هوش مصنوعی را نسبت به بخش بندی های متخصص انسانی در این مطالعه کور رتبه بندی کردند.