فقط هفت درصد از بیماران با تشخیص سرطان پانکراس پنج سال بعد از تشخیص زنده می مانند و طبق نظر جامعه سرطان آمریکا این میزان، کمترین میزان در بین همه سرطانهاست. Elliot K. Fishman, MD یک پژوهشگر و رادیولوژیست در دانشگاه جان هاپکینز در زمینه تغییر این آمار پیشگام است و ایشان بدین منظور از هوش مصنوعی استفاده می کند.

Fishman   تلاش می کند تا تشخیص سرطان پانکراس را زودتر از روش انسانی صرف انجام دهد و برای این کار روش های یادگیری عمیق هوش مصنوعی تسریع شده با واحد پردازش گرافیکی (GPU-accelerated) را به کار برده است. جان هاپکینز برای توسعه یک سیستم یادگیری عمیق مناسب است چرا که مقادیر حجیمی داده از بیماران سرطان پانکراس را در اختیار دارد که برای یاد دادن به کامپیوتر برای تشخیص بیماری در یک سی تی اسکن مورد نیاز است. پژوهشگران بیمارستان همچنین یک سوپر کامپیوتر هوش مصنوعی NVIDIA's DGX-1 را در اختیار دارند.

Fishman   به پرورش الگوریتم های یادگیری عمیق برای تعیین تغییرات زمینه ای در بافت پانکراس و ارگان های مجاور آن کمک می کند. این تغییرات اغلب اولین نشانگرهای سرطان هستند. روشهای تشخیصی یادگیری عمیق می توانند منجر به تشخیص زودتر شوند. فیشرمن برآورد کرده که نزدیک به یک سوم بیمارانی که او دیده می توانسته اند چهار تا دوازده ماه زودتر تشخیص داده شوند.

در حالی که بسیاری از سرطان های دیگر  امروزه در فرایند معالجه قرار دارند و شانس بقای بیماران مبتلا به طور معنی داری افزایش یافته است ولی متأسفانه در مورد سرطان پانکراس اینگونه نیست. یکی از چالش های مرتبط با سرطان پانکراس این است که تشخیص زودرس آن مشکل است. بخصوص اگر که بیماران علائم و نشانه های اندکی را نشان دهند. لذا هدف برتشخیص زودرس متمرکز است.

Fishman ، پروفسور رادیولوژی، جراحی، انکولوژی و اورولوژی در بیمارستان جان هاپکینز می گوید: "درمان اصلی برای سرطان پانکراس به منظور علاج، جراحی است ولی شوربختانه بدلیل تشخیص دیررس بیش از 15 تا 20 درصد از بیماران در زمان ظهور علائم کاندید جراحی نیستند. یک هدف حداقلی می تواند افزایش تعداد بیمارانی باشد که مورد عمل جراحی قرار می گیرند تا درمان شوند. این اولین چالش است. "

زمانی که پزشکان اسکن های قبلی بیمارانی را مرور می کنند که متعاقباً برایشان تشخیص سرطان پانکراس گذاشته شده است در سی درصد موارد بصورت گذشته نگر متوجه رد پای تومور می شوند.

Fishman   توضیح داد: "در واقع گاهی اوقات ساده است که با یک رتروسپکتوسکوپ یافته هایی را ببینیم و گاهی ساده است که در مواجهه اول چیزی نبینیم. هدف از کاربرد یادگیری عمیق تسریع شده با واحد پردازش گرافیکی بهینه کردن تعیین ضایعه است به نحوی که شما بتوانید هر ضایعه ای که وجود دارد را در زودترین زمان ممکن تشخیص دهید."

او همچنین عقیده دارد که با بکارگیری یادگیری عمیق هوش مصنوعی، جان هاپکینز نه تنها می تواند به کامپیوتر یاد دهد که بخوبی بهترین رادیولوژیست ها عمل کند که حتی بهتر از آنها هم باشد. او گفت : قدرت یادگیری و تعیین حتی تغییرات بسیار جزیی بر اساس زمینه و الگو بجای توده چیزی است که جان هاپکینز بدنبال آن است.

او توضیح داد که :" گروه ما دو سوپرکامپیوتر NVIDIA DGX-1 در اختیار دارد. DGX-1 در واقع حرف آخر را در هوش مصنوعی می زند و برای کار ما ضروری است. این به ما اجازه می دهد تا نتایج صدها بیمار را همزمان مرور و مطالعه کنیم و بتوانیم پارامترها را تغییر داده و الگوریتم ها را توسعه دهیم که در غیر اینصورت این کار غیر ممکن بود"

وی افزود : " این الگوریتم ها هستند که به ما اجازه می دهند تا تشخیص تومور و نهایتاً تعیین خصوصیت نوع تومور را به صورت بهینه ای انجام دهیم و امیدوارانه به ما اجازه می دهد تا استراتژی های مدیریتی بهتری را بشناسیم."

Fishman   گفت: از طریق روش های تشخیصی یادگیری عمیق پژوهشگران می توانند تا 30 درصد موارد تومور ایجاد شده را ببینند"

"من فکر می کنم یک موضوع مهم در خصوص تشخیص یک تومور پانکراس علی الخصوص زمانی است که درخواست اولیه توده پانکراسی را رد نکرده و باید تحت نظارت قرار گیرد. یکی از مواردی که ما از کامپیوتر می خواهیم انجام دهد انجام آزمایشات بهینه روی هر مورد سی تی اسکن شکم است و اینکه به دقت پانراس را وارسی نماید فارغ از اینکه منطقه پاتولوژی مشکوک، پانکراس باشد یا خیر"

یکی از چالش ها در بیمارانی است که سرطان پانکراس مورد شک نیست که بتوان به راحتی تومورهای کوچک را نیز رصد کرد. قدرت بهینه سازی تفسیر و بهینه سازی آنالیز هر مطالعه رادیوگرافیک یکی از اهداف این پروژه است و این چیزی است که پژوهشگران باور دارند می توانند به انجام رسانند.

Fishman   گفت : "در یک حوزه افزایش حجم مطالعه زمانی که رادیولوژیست زمان کمتری را مصروف یک مورد بخصوص می کند شکی نیست که میزان خطا افزایش می یابد. ما بر این باوریم که می توانیم خطا را کاهش دهیم؛ تشخیص موارد را بیفزاییم و نتیجه نهایی  را در بسیاری از بیمارانمان تغییر دهیم. هدف این پروژه چیزی کمترا از تغییر خط سیر درمان سرطان پانکراس و نهایتاً بقای بیشتر بیماران نیست"

ایمیل به من : drakhtardanesh@gmail.com

Topics: 

#Artificial_Intelligence, #Clinical, #Imaging