بیا صادق باشیم، وقتی حرف از تومور مغزی مثل گلیوبلاستوما (glioblastoma یعنی یکی از بدترین انواع سرطان‌های مغزی) میشه، کار تشخیص و طبقهبندیش خیلی پیچیده و حساسی میشه. یکی از روش‌هایی که امروزه حسابی سر زبون‌هاست، رادیومیکس هست. رادیومیکس روشی هست که با استفاده از تصاویری که از مغز گرفتیم، میاد ویژگی‌های مختلفی از تومور استخراج می‌کنه تا بتونه دقیق‌تر بفهمه که قضیه از چه قراره.
حالا واسه اینکه این ویژگی‌ها یا همون فیچرها رو از تصویرا بکشیم بیرون، روش‌های قدیمی مثل PyRadiomics و CaPTk هستن. اینا ابزارایی هستن که مجموعه زیادی از ویژگی‌های دست‌ساز (یعنی فیچرهایی که افراد بر اساس تجربه و علمشون دستی درست کردن) رو میکشن بیرون. اما مشکلش اینه که تعداد فیچرها خیلی زیاده و بعدش کلی فیچر تکراری و به درد نخور درمیاد. خب طبیعتاً باید بعدش کلی وقت بذاری برای بهینه‌سازی و کم کردن این فیچرها.
اما اخیراً یه روش خیلی جدیدتر و خوش‌ساخت به اسم SERFE معرفی شده. SERFE یعنی Spectral Entropic Radiomics Feature Extraction. توضیح ساده ش اینه: این روش با استفاده از تجزیه فرکانسی طیفی، انتخاب فیچر بر اساس انتروپی و همینطور مدل‌سازی مکانی بر پایه گراف، یه عالمه فیچر رو بیرون میکشه ولی تور رو خیلی جمع و جورتر و باکیفیت‌تر از قبلی‌ها میندازه.
- تجزیه فرکانسی طیفی یعنی اینکه شدت پیکسل‌ها یا همون وکسل‌های تصویر MRI رو به صورت امواج با فرکانس‌های متفاوت بررسی می‌کنه تا امضای ویژه هر تومور رو دربیاره.
- انتخاب بر اساس انتروپی هم یعنی اینکه SERFE فیچرهایی که اطلاعات بیشتری دارن رو با وزن بیشتری حساب می‌کنه (انتروپی یعنی یه جور معیار مقدار بی‌نظمی یا غیرقابل پیش‌بینی بودن داده‌هاست، فیچر با انتروپی بالا یعنی اون فیچر اطلاعات ناب‌تری برای طبقه‌بندی داره).
- مدل‌سازی مکانی با گراف هم یعنی اینکه سری می‌کنه موقعیت و همسایگی هر وکسل تو تصویر رو هم حفظ کنه (گراف اینجا یعنی یه مدل ریاضی از ارتباطات مکانی بین بخش‌های مختلف تصویر).
یک از قشنگ‌ترین جاهای کار اینجاست که SERFE اول یه عالمه یعنی 2260 تا فیچر تولید می‌کنه، اما سریع و هوشمند خودش این عدد رو به یه مجموعه کوچیک‌تر و مفیدتر، یعنی 350 تا فیچر واقعاً به درد بخور می‌رسونه. بدون اینکه نیاز به کم کردن فیچرها بعد از استخراج باشه! (که در روش‌های قبلی باید حتماً این کار رو انجام می‌دادی چون زیادی فیچر داشتی.)
حالا بذار از نتایج باحالش بهت بگم:
- SERFE تو تست‌ها تونسته 92 درصد پایداری (یعنی اون فیچرهایی که بیرون میکشه همیشه ثابت و قابل اعتمادن) و 91.7 درصد دقت تو طبقه‌بندی تومورها به دست بیاره! این اعداد نسبت به روش‌های قدیمی خیلی بهتره و نشون میده هم فشرده‌تره (یعنی فیچرها کمتر و با کیفیت‌ترن) و هم دقیق‌تر.
داده‌هایی که روش تست کردن هم از یه دیتابیس عمومی به اسم TCIA گرفتن. TCIA یعنی The Cancer Imaging Archive، که یه مرجع باز جهانی از تصاویر پزشکی بیماران سرطانیه.
یه نکته خیلی مهم اینه که SERFE کاملاً قابل پیاده‌سازی تو پروسه‌های بالینی (یعنی پزشکی کاربردی تو بیمارستان و کلینیک) هست؛ نیاز نداره هی تغییرش بدی یا کلی وقت بذاری تا با کار واقعی وفق پیدا کنه. خلاصه چی؟ اگه پای آینده نوروانکولوژی یا همون مغز و اعصاب سرطانی وسط باشه، SERFE واقعاً می‌تونه کلی به پزشک‌ها و محقق‌ها کمک کنه تا شناخت و طبقه‌بندی تومورهای مغزی مثل گلیوبلاستوما خیلی سریع‌تر و مطمئن‌تر انجام بشه و مسیر درمان بهتر بچینه.
پس اگه دنبال یه ابزار باهوش‌تر، سریع‌تر و دقیق‌تر تو دنیای رادیومیکس هستی، SERFE یکی از امیدهای جدیده!
منبع: +
