خب بچه‌ها بیاید یه موضوع جالب رو با هم بررسی کنیم! حتما اسم بیماری‌های مقاربتی (STI – یعنی همون بیماری‌هایی که از طریق رابطه جنسی منتقل می‌شن مثل سیفلیس، سوزاک و…) رو شنیدین. یکی از مشکلات بزرگ این بیماری‌ها اینه که اگه زود تشخیص داده نشن، ممکنه کلی دردسر درست کنن؛ هم برای خود فرد، هم برای جامعه. حالا یه گروه پژوهشگر از جمله Jiajun Sun، Zhen Yu و بقیه، اومدن یه روش هوشمندانه رو برای شناسایی سریع‌تر این بیماری‌ها با کمک تصویر و هوش مصنوعی بررسی کردن.
اول، بذار توضیح بدم “رادیومیک” چیه. رادیومیک (Radiomics) یعنی تکنیکی که از ویژگی‌های تصویری (مثلاً بافت، شکل، و آمار پیکسلی تصویر) برای گرفتن اطلاعات بیشتر استفاده می‌کنه. معمولاً تو پزشکی، تصویرها رو برمی‌دارن و کلی دیتا درباره‌شون جمع می‌کنن که اصلاً با چشم عادی دیده نمیشه.
حالا این تیم اومدن از 597 تا عکس مختلف که مربوط به بیماری‌های مقاربتی و ضایعات پوستی مختلف بودن، استفاده کردن. البته عکس‌هاشون رو از یه منبع معتبر به اسم STIAtlas گرفتن. اونا این عکس‌ها رو به چهار دسته بیماری مقاربتی و دو نوع ضایعه پوستی (یعنی مشکلات پوستی معمولی جدا از بیماری مقاربتی) تقسیم‌بندی کردن. منظور از anatomical sites هم اینه که هر عکس مربوط به یه قسمت خاص بدن (مثل پوست، مقعد،… ) بوده.
بعدش چی کار کردن؟ کلی فیلتر تصویری (در مجموع نه تا فیلتر مختلف! مثلاً Laplacian of Gaussian یا LoG که یه فیلتر خاص برای تشخیص حاشیه‌ها و جزئیات توی تصویر هست)، و یازده مدل یادگیری ماشین (machine-learning classifiers) مختلف رو بر روی عکس‌ها امتحان کردن. این مدل‌ها مثلاً مثل Gradient-Boosted Decision Trees (GBDT) هستن که یه مدل قدرتمند برای تشخیص و دسته‌بندی دیتاهاست.
تو مرحله بعد، ویژگی‌های رادیومیکس رو از هر کدوم از این عکس‌های فیلتر شده استخراج کردن و با ترکیب مدل‌های مختلف و فیلترها، در مجموع 99 مدل ساختن! (یعنی همه حالت‌های ممکن رو تست کردن که بفهمن کدوم ترکیب بهتر جواب می‌ده.)
برای اینکه بفهمن هر مدل چقدر خوب کار می‌کنه، از شاخصی به اسم Area Under Curve یا مختصرش AUC استفاده کردن. این یه عدد بین صفر تا یکه، هرچی عدد نزدیک‌تر به یک باشه یعنی مدل بهتر بیماری رو پیدا می‌کنه.
نتیجه‌ها چی شد؟ وقتی که به مدل نمی‌گفتن ضایعه (یعنی محل عفونت) کجاست، بهترین مدل ترکیبی‌شون GBDT + LoG بود که AUC متوسطش شد 0.681 (یعنی دقتش بد نبود ولی خیلی هم عالی نبود). جالب اینکه همین مدل، برای تشخیص یه بیماری پوستی به اسم lichen sclerosus، خیلی از خودراضی ظاهر شد و AUCش به 0.768 کشید! (بین 0.740 تا 0.796). Lichen sclerosus هم خودش یه نوع بیماری پوستی نادره که معمولاً باعث لک و تغییر بافت پوست میشه.
ولی اگه به مدل می‌گفتن که محل عفونت کجا بوده، دقتشون یه دفعه کلی بالا رفت! مثلاً برای عفونت‌های مقعدی (anal infections) دقت مدل نزدیکِ 22.3 درصد بهتر شد و به 0.833 (بین 0.687 تا 0.979) رسید! برای عفونت‌های پوستی هم 3.8 درصد بهتر شد و به 0.707 رسید.
از لحاظ فنی، مودلی که بیشتر جواب داده بود ویژگی‌های بافتی پوست و ویژگی‌های آماری حاصل از رادیومیک رو بیشتر براش اهمیت داشته. اینو بدونید، مثلاً بافت پوست یعنی این که چقدر سطحش صاف یا خشنه، چه الگوهایی دیده میشه و… ویژگی آماری هم مثلاً میانگین و واریانس پیکسل‌ها تو منطقه خاصیه.
آخر سر هم نتیجه گرفته‌ان که ترکیب یادگیری ماشین یا همون machine learning (که یعنی کامپیوتر خودش یاد می‌گیره داده‌ها رو تشخیص بده) با تکنیک رادیومیک می‌تونه واقعاً به درد پزشک‌ها بخوره تا سریع‌تر و دقیق‌تر مشکلات پوستی ناشی از بیماری‌های مقاربتی رو تشخیص بدن.
جمع‌بندی: اگه تو آینده برنامه‌ای برای یک اپلیکیشن یا سرویس داری که با عکس می‌تونه بیماری‌ها رو تشخیص بده، بدون که استفاده از این روش‌ها می‌تونه فوق‌العاده کمکت کنه! خلاصه، تکنولوژی روز به روز بیشتر میاد به کمک پزشکی و ما هم هی داریم راحت‌تر زندگی می‌کنیم!
منبع: +
