ابزار هوش مصنوعی «خودآموخته» به تشخیص و پیش بینی شدت سرطان شایع ریه کمک می کند.

محققان مرکز سرطان Perlmutter در NYU Langone Health و دانشگاه گلاسکو این برنامه را توسعه و آزمایش کردند. آنها می گویند که از آنجایی که ویژگی های ساختاری تومورهای 452 بیمار آدنوکارسینوما را که در میان بیش از 11000 بیمار در اطلس ژنوم سرطان انستیتو ملی سرطان ایالات متحده هستند، در خود دارد، این برنامه نظر دوم بی طرفانه، دقیق و قابل اعتمادی را برای بیماران و انکولوژیست ها ارائه می دهد. در مورد وجود سرطان و احتمال و زمان بازگشت آن (پیش آگهی).

تیم تحقیقاتی همچنین خاطرنشان می کند که این برنامه مستقل و «خودآموخته» است، به این معنی که به خودی خود مشخص می کند که کدام ویژگی های ساختاری از نظر آماری برای اندازه گیری شدت بیماری مهم تر بوده و بیشترین تأثیر را بر عود تومور دارد.

چاپ در مجله ارتباطات طبیعت آنلاین، در 11 ژوئن، این برنامه مطالعه، که الگوریتم یا به طور خاص، یادگیری فنوتیپ هیستومورفولوژیکی (HPL) نیز نامیده می شود، مشخص شد که در 99 درصد مواقع، بین سرطان های ریه مشابه، آدنوکارسینوما و سرطان های سلول سنگفرشی تمایز قائل می شود. به گفته محققان، برنامه HPL همچنین در پیش بینی احتمال و زمان بازگشت سرطان پس از درمان، 72 درصد دقیق است، که دقت 64 درصدی را در پیش بینی های انجام شده توسط آسیب شناسانی که مستقیماً تصاویر تومور همان بیماران را بررسی می کردند، بهبود می بخشد.

"برنامه جدید یادگیری فنوتیپ هیستومورفولوژیکی ما این پتانسیل را دارد که به متخصصان سرطان و بیمارانشان یک ابزار تشخیصی سریع و بی طرفانه برای آدنوکارسینوم ریه ارائه دهد که پس از تکمیل آزمایشات بیشتر، می تواند برای کمک به اعتبارسنجی و حتی هدایت تصمیمات درمانی آنها استفاده شود." محقق ارشد نیکلاس کودری، دکترا، برنامه نویس بیوانفورماتیک در دانشکده پزشکی گروسمن نیویورک و مرکز سرطان پرلموتر مطالعه کنید.

"بیماران، پزشکان و محققان می دانند که می توانند بر این مدل سازی پیش بینی تکیه کنند، زیرا این مدل سازی خودآموز است، تصمیم های قابل توضیحی ارائه می دهد، و تنها بر اساس دانشی است که به طور خاص از بافت هر بیمار، از جمله ویژگی هایی مانند نسبت سلول های در حال مرگ، استخراج می شود. کودری گفت: سلول های ایمنی مبارزه کننده با تومور و میزان متراکم بودن سلول های تومور از جمله ویژگی های دیگر است.

محقق ارشد این مطالعه گفت: «نمونه های بافت ریه اکنون می توانند در عرض چند دقیقه توسط برنامه رایانه ای ما تجزیه و تحلیل شوند تا پیش بینی های نسبتاً دقیقی درباره بازگشت سرطان آن ها ارائه شود، پیش بینی هایی که بهتر از استانداردهای مراقبت فعلی برای ایجاد پیش آگهی در آدنوکارسینوم ریه است». Aristotelis Tsirigos، PhD. تسیریگوس استاد دپارتمان های پاتولوژی و پزشکی در دانشکده پزشکی گروسمن نیویورک و مرکز سرطان پرلموتر است، جایی که او همچنین به عنوان مدیر پزشکی دقیق و مدیر آزمایشگاه های بیوانفورماتیک کاربردی آن فعالیت می کند.

Tsirigos می گوید که به لطف چنین ابزارها و پیشرفت های دیگر در زیست شناسی سرطان ریه، آسیب شناسان اسکن بافت را روی صفحه نمایش کامپیوتر خود و کمتر و کمتر روی میکروسکوپ بررسی می کنند و سپس از برنامه هوش مصنوعی خود برای تجزیه و تحلیل تصویر و تولید تصویر خود از آن استفاده می کنند. اسکن آنها اضافه می کنند که تصویر جدید یا "منظره"، تجزیه و تحلیل دقیقی از محتوای بافت ارائه می دهد. به عنوان مثال، ممکن است توجه داشته باشد که 5٪ نکروز و 10٪ ارتشاح تومور وجود دارد و این از نظر بقا به چه معناست. این قرائت ممکن است از نظر آماری بر اساس اطلاعات تمام داده های بیمار در برنامه برابر با ۸۰ درصد احتمال عاری از سرطان برای دو سال یا بیشتر باشد.

برای توسعه برنامه HPL، محققان ابتدا اسلایدهای بافت آدنوکارسینوم ریه را از اطلس ژنوم سرطان تجزیه و تحلیل کردند. آدنوکارسینوما برای مدل آزمایشی انتخاب شد زیرا بیماری به دلیل ویژگی های مشخصه شناخته شده است. به عنوان مثال، آنها اشاره می کنند که سلول های تومور آن تمایل دارند به اصطلاح در الگوهای آسینار یا کیسه ای گروه شوند و به طور قابل پیش بینی در امتداد پوشش سطحی سلول های ریه پخش شوند.

محققان از تجزیه و تحلیل اسلایدها، که تصاویر بصری آنها به صورت دیجیتالی اسکن شده و به 432231 ربع کوچک یا کاشی شکسته شده بود، 46 ویژگی کلیدی را پیدا کردند، آنچه آنها را خوشه های فنوتیپ هیستومورفولوژیکی می نامند، از هر دو بافت نرمال و بیمار، که زیرمجموعه ای از آنها از نظر آماری مرتبط بودند. یا بازگشت زودهنگام سرطان یا بقای طولانی مدت. یافته ها سپس با آزمایش های بیشتر و جداگانه بر روی تصاویر بافتی 276 مرد و زن که از سال 2006 تا 2021 برای آدنوکارسینوما در NYU Langone تحت درمان قرار گرفتند، تأیید شد.

محققان می گویند هدف آنها استفاده از الگوریتم HPL است تا به هر بیمار امتیازی بین 0 تا 1 اختصاص دهد که نشان دهنده شانس آماری بقا و عود تومور تا پنج سال است. از آنجایی که این برنامه خودآموز است، آنها تاکید می کنند که HPL با اضافه شدن داده های بیشتر در طول زمان به طور فزاینده ای دقیق تر می شود. برای ایجاد اعتماد عمومی، محققان کد برنامه نویسی خود را به صورت آنلاین ارسال کرده اند و قصد دارند ابزار جدید HPL را به صورت رایگان پس از اتمام آزمایشات بیشتر در دسترس قرار دهند.

ویژگی های مرتبط با عود تومورها شامل درصد بالای سلول های سرطانی مرده و سلول های ایمنی مبارزه کننده با تومور به نام لنفوسیت ها و تجمع متراکم سلول های تومور در پوشش های خارجی ریه ها بود. ویژگی های مرتبط با افزایش احتمال بقا، درصد بالایی از بافت کیسه ریه بدون تغییر یا حفظ شده، و فقدان یا وجود خفیف سلول های التهابی بود.

Tsirigos می گوید که تیم بعدی قصد دارد برنامه های مشابه HPL را برای سرطان های دیگر مانند پستان، تخمدان و کولورکتال توسعه دهد که به طور مشابه بر اساس ویژگی های مورفولوژیکی متمایز و کلیدی و داده های مولکولی اضافی است. این تیم همچنین برنامه هایی برای گسترش و بهبود دقت برنامه آدنوکارسینوم HPL با گنجاندن سایر داده ها از سوابق الکترونیکی سلامت بیمارستان در مورد سایر بیماری ها و بیماری ها یا حتی درآمد و کد پستی خانه دارد.

کمک مالی برای مطالعه جدید توسط مؤسسه ملی سلامت P30CA016087، کمک های مالی شورای تحقیقات بریتانیا Ep/R018634/1 و BB/V016067/1، و کمک مالی اتحادیه اروپا Horizon 2020 به شماره ارائه شده است. 101016851.

علاوه بر Tsirigos و Coudray، سایر محققان NYU Langone که در این مطالعه شرکت داشتند عبارتند از Anna Yeaton، Bojing Liu، Hortense Le، Luis Chiriboga، Afreen Karimkhan، Navneet Natula، Christopher Park، Harvey Pass، و Andre Moreira. محقق ارشد مطالعه آدالبرتو کلودیو کویروس، محققین مشترک مطالعه Xinyu Yang و John Le Quesne و محقق ارشد تحقیقاتی Ke Yuan همگی در دانشگاه گلاسکو، انگلستان هستند. دیوید مور، محقق مشترک مطالعه، در دانشگاه کالج لندن، انگلستان است.