تیم محققان در گوگل با استفاده از یک ابزار Deep Learning، قادر به تشخیص سرطان پستان متاستاتیک با دقت ۹۹ درصد هستند که این امر باعث می‌شود مدت زمان لازم برای بررسی افراد مشکوک توسط پزشکان نیز کاهش پیدا کند.
تشخیص سرطانی که درحال گسترش از محل اولیه رشد خود به سمت گره‌های لنفاوی است، به ویژه درمورد سرطان پستان، فرآیندی دشوار می‌باشد. در این وضعیت، متاستاز گره‌های لنفاوی می‌تواند تصمیمات اتخاذ شده برای شیمی درمانی و پرتودرمانی را تحت تأثیر قرار دهد؛ بنابراین، پزشکان ملزم به تشخیص دقیق و به موقع این شرایط هستند.
آسیب شناسان در تلاش هستند تا بیماری در حال گسترش را تشخیص دهند اما علی‌رغم این محققان با بررسی مطالعات قبلی نشان داده‌اند که در دومین بررسی آسیب‌شناسی از بیماری، از هر چهار مورد، یک مورد در طبقه‌بندی سرطان متاستاتیک گره‌های لنفاوی تغییر می‌یابد. همچنین حساسیت تشخیص متاستاز‌های کوچک در افراد تا حدود ۳۸درصد کاهش می‌یابد.
این تیم تحقیقاتی در سال ۲۰۱۷ برای بهبود روند شناسایی و نیز افزایش دقت تشخیص با کمک الگوریتم، (LYmph Node Assistant (LYNA را براساس deep learning طراحی کردند. در دو مطالعه با استفاده از این ابزار، محققان دریافتند که این ابزار با دقت ۹۹ درصد قادر به تشخیص بافت مبتلاء به سرطان متاستاتیک از بافت سالم است. همچنین، LYNA قادر به تعیین دقیق موقعیت هر دو سرطان بوده و علی رغم کوچک بودن برخی از بخش‌ها، توانست دیگر مناطق مشکوک را نیز شناسایی کند. در مطالعه دوم، محققان با استفاده از یک تست تشخیصی، غدد لنفاوی تحت تأثیر سرطان متاستاتیک را با کمک و بدون کمک LYNA بررسی کردند.
نتایج بدست آمده نشان داد که استفاده‌ی محققان از LYNA فرآیند پیچیده‌ی تشخیص را تسهیل کرده و زمان مورد نیاز برای بازبینی هم تقریباً تا حدود نصف مدت زمان لازم در مطالعات قبلی کاهش می‌یابد؛ یعنی برای بررسی هر بخش به یک دقیقه زمان نیاز است.
به گفته‌ی استامپ، سرپرست این مطالعه، این نتایج نشان می‌دهند که فن‌آوری‌هایی مشابه LYNA به کاهش بار تشخیص و بازبینی برای آسیب‌شناسان کمک کرده و همچنین کمک می‌کند که آسیب شناسان زمان و انرژی بیش‌تری برای دیگر تشخیص‌های بالینی چالش‌برانگیر اختصاص دهند.
ازجمله محدودیت‌های این مطالعه محدودیت در اندازه داده‌ها و استفاده از یک فرآیند تشخیصی شبیه‌سازی شده است که به کار بیش‌تری برای بررسی تأثیر LYNA در جریان فرآیند بالینی واقعی و اثربخشی درمان نیاز دارد.
استامپ ضمن ابراز خرسندی و امید نسبت به کارگیری Deep Learning و دیگر ابزارهای بالینی در درمان معتقد است که می‌توان با غلبه بر این محدودیت‌ها و از طریق سرمایه‌گذاری بر این ابزار جدید، با استفاده از Deep Learning در حوزه‌ی مراقبت‌های درمانی، بتوانند در افزایش دقت و تسریع در فرآیند تشخیص گام‌های مهمی بردارند.
☑ لینک خبر
