– محققان Cedars-Sinai با موفقیت از هوش مصنوعی (AI) برای قابل خواندن گزارش های آسیب شناسی توسط ماشین استفاده کردند که می تواند استخدام بیماران سرطانی را در آزمایشات بالینی بهبود بخشد.
تیم تحقیقاتی تاکید کرد که دادههای پاتولوژی بیماران سرطانی با ارزش است، اما بهدست آوردن آنها از طریق روشهای سنتی دادهکاوی دشوار است.
نیکلاس تاتونتی، نویسنده ارشد این مطالعه، دکترا، معاون رئیس بخش عملیات در بخش محاسبات، گفت: «سرطان یک بیماری پیچیده است و اطلاعات غنی در یادداشتهایی وجود دارد که آسیبشناس هنگام بررسی سرطان بیمار در زیر میکروسکوپ مینویسد. زیست پزشکی در Cedars-Sinai و معاون مدیر انکولوژی محاسباتی در Cedars-Sinai Cancer، در این خبر. اما از آنجایی که این یادداشتها به شکل فایلهای پیدیاف اسکنشده هستند، متنی که در آنها وجود دارد برای رایانهها غیرقابل دسترسی بوده است.
محققان به دنبال ایجاد مجموعهای از گزارشهای آسیبشناسی قابل خواندن توسط ماشین با استفاده از اطلس ژنوم سرطان (TCGA) بودند که حاوی دادههای آسیبشناسی هزاران بیمار سرطانی در سراسر ایالات متحده است.
تاتونتی گفت: «گزارشهای آسیبشناسی در اطلس در همه زوایا و در قالبهای مختلف از هر یک از مؤسسات ارائهدهنده اسکن میشوند. آنها نامرتب هستند و کیفیت اسکن آنها نسبتاً ضعیف است – بی شباهت به فرم های آسیب شناسی که در پرونده های بیماران پیدا می کنید.
برای غلبه بر این مشکلات کیفیت، تیم تحقیقاتی از تکنیکهای هوش مصنوعی و تشخیص کاراکتر نوری (OCR) استفاده کردند. این پردازش اجازه می دهد تا هر گزارش آسیب شناسی به یک قالب قابل خواندن توسط ماشین تبدیل شود.
تاتونتی نشان داد که انجام این کار میتواند محققان را قادر به آموزش الگوریتمهایی برای استخراج اطلاعات آسیبشناسی مرتبط کند، که میتواند برای تقویت استخدام کارآزمایی بالینی و مطالعاتی که نشانگرهای بیماری جدید را بررسی میکنند، استفاده شود.
مجموعه داده حاصل که TCGA-Reports نام دارد، شامل گزارشهای آسیبشناسی قابل خواندن با ماشین در دسترس عموم از نزدیک به 10000 بیمار سرطانی است. قالب هر گزارش معمولاً توسط دانشمندان رایانه و زیست شناسان محاسباتی برای کمک به قابل استفاده تر کردن داده ها استفاده می شود.
تیم تحقیقاتی همچنین خاطرنشان کرد که این رویکرد می تواند برای استخراج اطلاعات آسیب شناسی از مجموعه داده های خارج از TCGA مورد استفاده قرار گیرد.
دان تئودورسکو، مدیر سرطان Cedars-Sinai، MD، PhD، رئیس بنیاد PHASE ONE، خاطرنشان کرد: «داستان واقعی وضعیت یک بیمار، مانند اطلاعات دقیق درباره سرطان و اثرات درمانهای مختلف، در یادداشتهای پزشکان یافت میشود. و مدیر موسسه جامع سرطان ساموئل اوشین. ابزارهایی که به ما کمک میکنند این اطلاعات را استخراج کنیم، تلاشهای ما را برای انجام مطالعات ترجمهای که نوید پزشکی دقیق را به هر یک از بیماران ما میدهد، بیشتر میکند.»
تیم تحقیقاتی اکنون در حال بررسی نحوه آموزش مدل هایی برای استخراج اطلاعات مرحله بندی سرطان از مجموعه داده ها هستند.
تاتونتی میگوید: «مدل ما میتواند آن اطلاعات را زمانی که در یادداشتها وجود دارد استخراج کند، اما همچنین میتواند بهطور دقیق مرحلهای را استنباط کند که به صراحت بیان نشده است». به عنوان مثال، پاتولوژیست ممکن است در مورد یک ضایعه ثانویه یادداشت کند [about] ارزیابی نمونهای از سرطان سینه… این یادداشتها شامل کلمه متاستاتیک نیستند، اما به آن اشاره دارند.»
محققان همچنین قصد دارند روش خود را در پلتفرم انکولوژی دقیق مولکولی دوقلو Cedars-Sinai، یک ابزار پزشکی دقیق مبتنی بر هوش مصنوعی برای پیشبرد تحقیقات سرطان، اعمال کنند.
دکتر جیسون مور، رئیس بخش زیستپزشکی محاسباتی در Cedars-Sinai، گفت: «پیشرفتهای هوش مصنوعی در تشخیص کاراکتر نوری، کلید استخراج انبوهی از دادهها از برخی از مرتبطترین بخشهای بالینی سوابق بیماران است. این دادهها به مطالعات جدید توسط محققان در سراسر تخصصها، از جمله پزشکان تحقیقاتی، محققان کارآزمایی بالینی و محققینی که برای بهبود ابزارهایی که به رایانهها اجازه میدهد زبان بالینی را تفسیر کنند، کمک میکند.»
تلاشها برای تقویت پزشکی دقیق از طریق استفاده از هوش مصنوعی و سایر فناوریها همچنان ادامه دارد زیرا محققان به دنبال کشف پتانسیل دادههای بالینی هستند.
ماه گذشته، یک تیم تحقیقاتی از دانشگاه یوتا بهداشت به اشتراک گذاشت که یک پلت فرم فارماکولوژی را برای کمک به روشن کردن پویایی دارو در بیماران مبتلا به سرطان کودکان ایجاد کرده است.
پویایی دارو بینش هایی را در مورد تأثیرات مولکولی، بیوشیمیایی و فیزیولوژیکی داروها ارائه می دهد که می تواند تحت تأثیر عواملی مانند سابقه پزشکی و سن بیمار قرار گیرد.
با این حال، اطلاعات مربوط به پویایی دارو برای داروهای مورد استفاده برای درمان سرطان کودکان اغلب وجود ندارد، که می تواند بیماران را در معرض خطر قرار دهد.
پلتفرم تازه توسعهیافته با تجزیه و تحلیل دادههای خونگیری بیماران برای نشان دادن علائم سمیت دارو، بررسی تداخلات دارو-شیمیدرمانی، و کشف عواملی که بر حرکت دارو تأثیر میگذارند، به رفع این مشکل کمک میکند.