محققان دانشگاه ییل آمریکا در مطالعه اخیرشان دریافته اند که مدل های یادگیری ماشینی مبتنی بر تصویربرداری میتوانند میزان پاسخ بدن بیمار به درمان سرطان کبد را پیش بینی کنند.
به گزارش ایسنا به نقل از تی ان، نتایج یافته های یک مطالعه نشان داده است مدل های یادگیری ماشینی که در حال حاضر برای تصویربرداری استفاده میشوند، میتوانند به ایجاد معیارهای قابل اعتمادتری برای تخصیص عضو (organ allocation) و واجد شرایط بودن پیوند کبد (Liver transplantation) کمک کنند.
"جولیوس چاپیرو" (Julius Chapiro) نویسنده این مطالعه از بخش رادیولوژی و تصویربرداری زیست پزشکی دانشگاه ییل اظهار‌کرد: یافته ها نشان می دهد که مدل های مبتنی بر یادگیری ماشین میتوانند عود کردن بیماری را قبل از آغاز درمان در بیماران مبتلا به کارسینوم هپاتوسلولار در مراحل اولیه (HCC) که در ابتدا واجد شرایط پیوند کبد هستند، پیش بینی کنند.
کارسینوم هپاتوسلولار یا کارسینوم سلول های کبدی، شایع ترین نوع سرطان (cancer) کبد اولیه در بزرگسالان است و در حال حاضر شایع ترین علت مرگ در افراد مبتلا به سیروز است. کارسینوم هپاتوسلولار در مراحل اولیه سومین علت مرگ و میر ناشی از سرطان در سراسر جهان است.
در این مطالعه محققان ۱۲۰ بیمار (۸۸ مرد و ۳۲ زن با میانگین سنی ۶۰ سال) که بین ژوئن ۲۰۰۵ تا مارس ۲۰۱۸ مبتلا به کارسینوم هپاتوسلولار در مراحل اولیه تشخیص داده شده بودند و تحت درمان پیوند، برداشتن یا فرسایش حرارتی قرار گرفته بودند را مورد بررسی قرار دادند.
بیماران تحت ام آر آی (MRI) قبل از درمان و نظارت تصویربرداری پس از درمان قرار گرفتند و ویژگی های تصویربرداری از مراحل پس از کنتراست معاینات ام آر آی قبل از درمان با استفاده از یک شبکه عصبی پیچشی یا همگشتی از پیش آموزش دیده استخراج شد. ویژگی های بالینی قبل از درمان و ویژگی های تصویربرداری استخراج شده برای توسعه سه مدل یادگیری ماشینی (بالینی، تصویربرداری، ترکیبی) به منظور پیش بینی عود بیماری طی ۱ تا ۶ سال پس از درمان با هم ادغام شدند. شبکه های عصبی پیچشی یا همگشتی، رده ای از شبکه های عصبی ژرف هستند که معمولا برای انجام تحلیل های تصویری یا گفتاری در یادگیری ماشین استفاده می شوند.
در نهایت، هر سه مدل یادگیری ماشینی با بررسی ام آر آی توانستند عود بیماری کارسینوم هپاتوسلولار در مراحل اولیه را پس از درمان پیش بینی کنند. استفاده از داده های تصویربرداری بعنوان تنها ورودی مدل، عملکرد پیش بینی بالاتری نسبت به داده های بالینی به تنهایی بهمراه داشت.
- 19
- 5
