تا حالا اسم IPMN به گوشت خورده؟ بذار راحت بگم: IPMN یعنی یک جور تومور توی پانکراس (لوزالمعده) که اسم کاملش میشه «Intraductal Papillary Mucinous Neoplasm». خلاصه‌ش اینه که اینا تومورهایی هستن که داخل مجاری پانکراس تولید موکوس می‌کنن و ممکنه به سرطان تبدیل بشن. حالا مشکل کجاست؟ اغلب دکترها برای شناسایی و تصمیم‌گیری درباره درمان این تومورها، به تصاویری که از روش‌هایی مثل سی‌تی اسکن و MRI می‌گیرن اتکا می‌کنن. یعنی اگه تو عکسا نشونه‌های خطرناک دیدن، سریع تصمیم می‌گیرن که باید جراحی بشه. ولی قضیه اینجاست که این دستورالعمل‌هایی که بهشون میگن «راهنمای بین‌المللی فوکوکا و کیوتو»، فقط خیلی سریع نشونه‌های خطر رو پیدا می‌کنن اما گاهی زیادی حساس عمل می‌کنن و کلی از بیماران رو شاید بیخودی پای جراحی می‌فرستن! یعنی چی؟ یعنی طرف شاید نیاز به جراحی نداشته ولی فقط به جرمِ مشکوک بودن، میره زیر تیغ!
اینجا هوش مصنوعی (AI) میاد وسط! هوش مصنوعی همون فناورییه که مثلا به کامپیوترها و الگوریتم‌ها یاد میده خودشون داده رو تجزیه تحلیل کنن و تو کارهایی مثل شناسایی تصویر یا پیش‌بینی نتیجه کلی باهوش‌تر بشن. حالا یه تیم از محقق‌ها نشستن و کلی مقاله علمی رو درباره استفاده از هوش مصنوعی توی تصویر برداری تومورهای IPMN بررسی کردن. دقیق بگیم: توی این بررسی سیستماتیک، اول ۱۰۴۱ مقاله پیدا کردن، ولی فقط ۲۵ تا از مقاله‌ها واقعا قابل آنالیز بودن (چون یا پروژه کامل داشتن یا نتایج درست داده بودن).
این ۲۵ تا مقاله رو با چندتا معیار جالب دسته‌بندی کردن: یکی اینکه مدل‌ها دنبال چی بودن (مثلاً پیش‌بینی سطح خطر، تشخیص بهتر، یا تقسیم‌بندی دقیق تصویر)، بعد نگاه کردن چه نوع تصویری استفاده کردن (مثلاً بیشتر سی‌تی اسکن بودن)، و اینکه هر تحقیق چندتا بیمار رو بررسی کرده. نتیجه جالب اینکه بیشتر این تحقیقات با دیتای فقط یک مرکز درست شده بودن (یعنی اطلاعات بیماران از یه بیمارستان خاص بوده)، و اکثرشون هم کمتر از ۲۵۰ نفر بیمار داشتن. (عدد دقیقش: ۱۱ تا تحقیق روی داده تک مرکز و ۱۸ تا پروژه با پایین‌تر از ۲۵۰ تا بیمار.)
یک نکته باحال دیگه اینه که اکثر مدل‌هایی که استفاده کردن، بر پایه «شبکه عصبی پیچشی» یا همون CNN بودن. یعنی؟ CNN یه جور مدل رایج توی هوش مصنوعی هست که خیلی تو کارهای تصویری استفاده میشه و کمک می‌کنه الگوریتم‌ها بتونن شکل‌ها و الگوها رو توی عکس‌ها تشخیص بدن، تقریباً مثل مغز ما که می‌فهمه چی رو داره می‌بینه.
تو خود نتیجه مقاله‌ها هم جالب بود: حدود ۴۰٪ مطالعات مدل‌هایی ساختن که به بهترشدن درجه‌بندی خطر کمک کنه (مثلاً بفهمن این تومور لازمه جراحی بشه یا نه)، و ۳۶٪ روی تشخیص بهتر بودن. فقط ۲۰٪ رفتن دنبال تشخیص خود آی‌پی‌ام‌ان (یعنی اینکه اصلاً هست یا نه)، و فقط دو تا پروژه دست به جداسازی و تقسیم دقیق خود توده تو تصویر زدن (اصطلاحاً Segmentation یعنی کسی یا چیزی رو توی عکس پیدا کنی و جدا نشون بدی).
حالا چرا این همه تلاش؟ چون هم دکترها و هم بیمارها دوست دارن از اون جراحی‌های اضافی و تصمیم‌های غیرضروری فرار کنن و فقط وقتی واقعاً لازمه، پروسه درمان جدی بشه. پس الگوریتم‌های هوش مصنوعی این پتانسیل رو دارن که کمک کنن تصویر برداری‌ها دقیق‌تر باشه و بیماران با تصمیم‌های درست‌تری روبرو بشن.
البته هنوز داستان نقص‌هایی هم داره! مثلاً بیشتر مطالعات فعلاً روی دیتای کم و تک مرکز چرخیدن. اگه قرار باشه واقعاً تو عمل و زندگی واقعی پیاده بشه، لازمه داده‌ها از بیمارستان‌ها و مراکز مختلف جمع‌آوری بشه تا مدل‌ها واقعاً قوی و قابل اعتماد بشن (به این جمع کردن داده‌ها از مراکز مختلف میگن همکاری چندمرکزی یا Multicenter Collaboration). ضمن اینکه بهتره انواع تصویربرداری هم با هم ادغام بشن (مثلاً سی‌تی، ام‌آر‌آی، اولتراساوند…) تا مدل‌ها واقعاً همه جانبه آموزش ببینن.
خلاصه بخوایم جمع‌بندی کنیم: هوش مصنوعی تو تلاش برای بهبود شناسایی و مدیریت بیماران با تومور IPMN حسابی داره پیشرفت می‌کنه، ولی هنوز یه کم مونده تا تو زندگی واقعی همه دکترها بتونن ازش با خیال راحت و کاربردی استفاده کنن. داده بیشتر، همکاری بزرگ‌تر، و یه ذره زمان دیگه لازمه تا این تکنولوژی کمک کنه بیماران تو مسیر درست‌تری هدایت بشن و جراحی‌های غیرضروری کمتر بشه.
منبع: +
