خب بیا یه کم گپ بزنیم راجع به یه موضوع حسابی جذاب و مهم: چطوری میشه با کمک هوش مصنوعی (که همین AI معروف خودمونه، البته اینجا از نسخه‌های پیشرفته‌اش مثل deep learning استفاده کردن) تشخیص و اندازه‌گیری یا همون «سگمنت» کردن تومورهای مغزی کودکان رو آسون‌تر و دقیق‌تر کرد.
اصلاً چرا این مسئله انقدر مهمه؟ چون تومورهای مغزی، شایع‌ترین سرطان‌های جامد تو بچه‌ها هستن و کلی شکل و شمایل مختلف دارن. این تومورها فقط یه مدل نیستن؛ انواع مختلفی مثل «گلیومای درجه بالا و پایین» (HGG و LGG یعنی از ساده‌ترها تا جدی‌ترها)، «مدولوبلاستوما» (که یه جور تومور مغزی مخصوص بچه‌هاست)، «اپندیموما» (یه نوع دیگه‌ست)، و حتی مدل‌های کمیاب‌تر هم وجود دارن.
حالا کار پزشک‌ها این وسط چیه؟ باید از روی عکس MRI – اون اسکن‌هایی که مغز رو نشون میده – بفهمن کدوم قسمت مغز دقیقا مشکل داره. این قسمت پیدا کردن تومور توی عکس رو بهش میگیم «segmentation» یعنی مرزبندی و جدا کردن بخش تومور از بقیه بافت مغز. قبلاً این کار خیلی دستی بود و زمان می‌برد، ولی الان با deep learning یا شبکه‌های عصبی عمیق (که مثلاً nnU-Net یه مدل معروفشه و توی این پژوهش استفاده شده)، خیلی امید به خودکار شدنش هست.
یک گروه از محقق‌ها تو یه کلینیک (بیمارستان) تونستن یه دیتاست (مجموعه داده) خیلی جالب از ۱۷۴ کودک با انواع مختلف تومور جمع کنن. توی این دیتاست، هر مریض تصویربرداری MRI شده و توی چندین حالت مختلف مثل T۱، T۱ بعد از تزریق ماده حاجب (که بهش میگن T1-C)، T۲ و FLAIR (یه مدل عکس MRI که آب و التهاب رو خوب نشون میده) عکس گرفتن. بعدش چهار تا بخش مختلف تومور رو هم دستی مشخص کردن: کل تومور (WT یا Whole Tumor)، بخشی که تو T2 روشن‌تر میشه (T2H)، بخش فعال تومور که با ماده حاجب روشن میشه (ET یا Enhancing Tumor)، و قسمت‌های کیستیک (CC یا Cystic Component که یعنی جاهایی که شبیه کیست شدن).
اومدن بر اساس این داده‌ها، یه مدل هوش مصنوعی سه بعدی آموزش دادن و بعد روی یه بخش جداگانه تستش کردن. نتیجه‌ها خیلی جالب بود:
واسه کل تومور (WT) و اون بخش T2H — که خیلی مهمن توی برنامه‌ریزی درمان – مدل تونست به دقتی برسه که تقریباً در حد انسانه! یعنی اگه به شاخص دقت Dice نگاه کنیم (این یه عدد بین صفر تا یکه، هرچی نزدیک‌تر به یک باشه یعنی قراره مدل و پزشک دقیقاً یه چیز گفتن)، برای این دو مورد ۰.۸۵ شد و آدم‌ها هم به‌طور میانگین ۰.۸۶ بودن. این یعنی واقعاً داره جواب میده!
حالا بخش‌های دیگه چی؟ برای بخش ET یا همون جایی که تومور فعال‌تره، دقت مدل حدود ۰.۷۵ بود؛ نسبتاً خوب، ولی جا برای بهتر شدنش هست هنوز. اما برای CC یا قسمت‌های کیستیک، مدل فعلاً دستش زیاد پر نبود و دقت خوبی کسب نکرد. پس هنوز یه راه طولانی در پیش داریم تا همه زیرمجموعه‌های تومور رو به همین دقت بتونیم به طور خودکار سگمنت کنیم.
یه نکته جالب دیگه اینکه مدل رو با ترکیب‌های مختلفی از عکس‌های MRI هم امتحان کردن. گفتن اگه فقط با T۱، T۱-C و T۲ آموزش بدیم، تقریباً همون دقت نسخه کامل (که همه سکانس‌هاست) رو میده. پس از این طریق میشه پروتکل‌های تصویربرداری رو ساده‌تر کرد و حتی هزینه و زمانی که صرف بچه‌ها میشه رو هم آورد پایین. این به خصوص برای مراکز کوچک‌تر یا جاهایی که امکانات کافی MRI ندارن میتونه خیلی کمک‌کننده باشه.
جمع‌بندی خود پژوهش‌گرها اینه که قطعاً هوش مصنوعی – به ویژه توی segmentation تومور مغز بچه‌ها – حسابی ساده و کار راه‌اندازه، مخصوصا واسه WT و T2H. واسه بخش‌های سخت‌تر مثل ET و CC باید مدل‌ها رو بهتر کنیم و داده‌های متنوع‌تری جمع کنیم. اما نشون دادن که حتی با یه دیتاست جمع‌وجور از یه مرکز، میشه قدمای بلندی برداشت.
در نهایت این مسیر میتونه منجر به ساده‌تر شدن روال کار پزشک‌ها و دقت بیشتر اندازه‌گیری تومورها و حتی سرعت بیشتر درمان برای بچه‌ها بشه.
پس اگه یه روزی شنیدی تو بیمارستان با هوش مصنوعی دارن تومور مغزی رو تحلیل می‌کنن، تعجب نکن! این تکنولوژی داره کم‌کم وارد بخش‌های جدی پزشکی میشه و حسابی میتونه تو پروسه درمان و تشخیص به بچه‌ها کمک کنه.
منبع: +
