25 ساله پژوهشگر پزشکی دانشگاه شیکاگو جایزه دیانا را برای ابتکار خون دانشگاه دریافت می کند

ابزار هوش مصنوعی دقت تصویربرداری از سرطان پستان را افزایش می دهد


خبر جدید – یک مطالعه جدید نشان می دهد که یک برنامه کامپیوتری که برای مشاهده الگوهای هزاران تصویر سونوگرافی سینه آموزش دیده است می تواند به پزشکان در تشخیص دقیق سرطان سینه کمک کند.

وقتی هوش مصنوعی (AI) به طور جداگانه بر روی 44،755 آزمایش سونوگرافی انجام شد ، توانایی رادیولوژیست ها را در تشخیص صحیح بیماری تا 37 درصد افزایش داد و تعداد نمونه های بافتی یا بیوپسی مورد نیاز برای تایید تومورهای مشکوک را تا 27 درصد کاهش داد.

به اعتقاد محققان گروه رادیولوژی در NYU Langone Health و مرکز سرطان Laura و Isaac Perlmutter ، تجزیه و تحلیل هوش مصنوعی این تیم در نوع خود بزرگترین است و شامل 288،767 معاینه سونوگرافی جداگانه از 143،203 زن تحت درمان در بیمارستانهای NYU Langone در NYU است. شهر نیویورک بین سالهای 2012 تا 2018. گزارش این تیم بصورت آنلاین در 24 سپتامبر در مجله منتشر می شود ارتباطات طبیعتبه

کریستوف گراس ، محقق ارشد ، می گوید: “مطالعه ما نشان می دهد که چگونه هوش مصنوعی می تواند به رادیولوژیست هایی که سونوگرافی پستان را می خوانند کمک کند تا تنها مواردی را که علائم واقعی سرطان پستان را نشان می دهد ، آشکار سازند و در مواردی که خوش خیم به نظر می رسد ، از بیوپسی جلوگیری کنند.”

در امتحان سونوگرافی از امواج صوتی با فرکانس بالا که از بافت عبور می کنند برای ساخت تصاویر در زمان واقعی از سینه یا سایر بافت ها استفاده می شود. گراس ، استادیار گروه رادیولوژی در دانشکده پزشکی NYU Grossman و عضو مرکز سرطان Perlmutter.

به گفته محققان ، سونوگرافی ارزان تر است ، بیشتر در کلینیک های محلی موجود است و شامل قرار گرفتن در معرض اشعه نمی شود. علاوه بر این ، سونوگرافی برای نفوذ به بافت متراکم سینه و تشخیص سلولهای بسته اما سالم از تومورهای فشرده بهتر از ماموگرافی است.

با این حال ، این فناوری همچنین منجر به تشخیص غلط سرطان سینه شده و باعث ایجاد اضطراب و اقدامات غیر ضروری برای زنان می شود. برخی از مطالعات نشان داده اند که اکثر سونوگرافی سینه که نشانه های سرطان را نشان می دهد ، پس از بیوپسی غیر سرطانی است.

اگر تلاش ما برای استفاده از یادگیری ماشینی به عنوان ابزار آزمایش برای سونوگرافی موفقیت آمیز باشد ، سونوگرافی می تواند به عنوان یک ابزار م effectiveثرتر در غربالگری سرطان پستان ، به ویژه جایگزینی برای ماموگرافی و افرادی که بافت سینه متراکم دارند ، تبدیل شود. محقق و رادیولوژیست لیندا موی ، MD. موی ، استاد دانشکده پزشکی NYU Grossman و عضو مرکز سرطان Perlmutter می گوید: “تأثیر آن در بهبود سلامت سینه زنان می تواند عمیق باشد.”

گراس هشدار می دهد که در حالی که نتایج اولیه تیمش امیدوار کننده است ، تیم او در آخرین تجزیه و تحلیل خود فقط به آزمایشات گذشته پرداخته است و قبل از اینکه بطور معمول به کار رود ، آزمایشات بالینی این ابزار در بیماران فعلی و شرایط واقعی مورد نیاز است. او همچنین برنامه هایی را برای اصلاح نرم افزار هوش مصنوعی شامل اطلاعات بیشتر بیماران ، مانند خطر اضافه شدن یک زن از سابقه خانوادگی یا جهش ژنتیکی مرتبط با سرطان سینه ، در آخرین تجزیه و تحلیل آنها گنجانده نشده است ، در نظر دارد.

در این مطالعه ، بیش از نیمی از سونوگرافی سینه ها برای ایجاد برنامه کامپیوتری استفاده شد. سپس ده رادیولوژیست هر کدام مجموعه جداگانه ای از 663 معاینه سینه را با دقت متوسط ​​92 درصد بررسی کردند. با کمک مدل هوش مصنوعی ، میانگین دقت آنها در تشخیص سرطان سینه به 96 درصد افزایش یافت. همه تشخیص ها در برابر نتایج بیوپسی بافت بررسی شد.

آخرین آمار انجمن سرطان آمریکا تخمین می زند که از هر هشت زن (13 درصد) در ایالات متحده یک نفر در طول زندگی خود مبتلا به سرطان سینه می شود و بیش از 300000 تشخیص مثبت تنها در سال 2021 وجود دارد.

حمایت مالی از این مطالعه توسط م Institسسات ملی سلامت P41 EB017183 و R21 CA225175 ارائه شد. اعطای بنیاد ملی علوم HDR-1922658 ؛ کمک بنیاد گوردون و بتی مور 9683 ؛ و آژانس ملی لهستان برای تبادل علمی PPN/IWA/2019/1/00114/U/00001.

علاوه بر گراس و موی ، دیگر محققان NYU که در این مطالعه مشارکت داشته اند ، محققان مشترک Yiqiu “Artie” Shen هستند. فرح شموت ؛ و جیمی الیور ؛ و محققان یان ویتوفسکی ؛ کاوشیک کانان ؛ پارک جونگکیو ؛ نان وو ؛ کانر هادلستون ؛ استیسی ولفسون ؛ الکساندرا ارزن ؛ رابین Ehrenpreis؛ دیویا اول ؛ کتی تایما ؛ نازیه سامرین؛ ییمینگ گائو ؛ کلوئه چور ؛ استیسی گاندی ؛ سیندی لی ؛ شیلا کوماری- سوبایا ؛ سیندی لئونارد ؛ ریحان محمد ؛ کریستوفر موچولسکی ؛ جیمی آلتابت ؛ جیمز باب ؛ آلانا لوین ؛ بئاتریو ریگ ؛ و لورا هیکاک.

پیوندهایی برای مطالعه پس از LIFTS EMBARGO

DOI برای این مقاله خواهد بود 10.1038/s41467-021-26023-2. پس از انتشار مقاله ، مقاله شما برای مشاهده آنلاین در آدرس http://www.nature.com/ncomms در دسترس خواهد بود.


این مقاله توسط ترجمه کلمه به کلمه از منبع اصلی تهیه شده است لذا طبیعی است که از نظر نگارشی مشکلاتی داشته باشد

ارسال نظر

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *