هوش مصنوعی به کمک درمان تومور مغزی می‌آید

دو محقق هندی و ژاپنی، یک روش مبتنی بر یادگیری ماشینی ابداع کرده اند که میتواند درمان مناسب برای بیماران مبتلا به تومور مغزی را باتوجه به شدت تومور آن ها ارائه دهد.

به گزارش ایسنا و به نقل از ساینمگ، احتمالا یک ابزار دقیق یادگیری ماشینی بتواند به پزشکان کمک کند تا درمانهای شخصی سازی شده ای را برای بیماران مبتلا به تومورهای مغزی"گلیوما" (Glioma) ارائه دهند.

محققان اهل هند و ژاپن، یک روش جدید یادگیری ماشینی ابداع کرده اند که نوع متداولی از تومور مغزی را در درجات پائین یا بالا، با دقت حدود ۹۸ درصد طبقه بندی می کند. این روش میتواند به پزشکان کمک کند تا موثرترین راهبرد را برای درمان شخصی سازی شده بیماران انتخاب کنند.

گلیوما، نوع متداولی از تومور مغزی است که بر یاخته های گلیال که وظیفه حمایت از نورون ها را بر عهده دارند، اثر می گذارد. درمان بیماران باید باتوجه به میزان تهاجمی بودن تومور آن ها متفاوت باشد؛ در نتیجه تشخیص درست میزان تهاجمی بودن تومور هر مریض، بسیار مهم است.

رادیولوژیست ها معمولاً از اسکن های ام .آر.آی، داده های بسیاری را به دست می آورند تا تصویر سه بعدی بافت اسکن شده را بازسازی کنند. بسیاری از داده های حاصل شده از اسکن های ام .آر.آی من جمله جزئیات مربوط به شکل و بافت تومور را نمی توان با چشم غیرمسلح تشخیص داد.

الگوریتم های هوش مصنوعی (Artificial Intelligence) میتوانند به استخراج این اطلاعات کمک کنند. متخصصان سرطان شناسی، از این روش برای بهبود تشخیص بیماران استفاده کرده اند ولی هنوز باید دقت این روش افزایش یابد.

"گانش پاندیان ناماسیوایام" (Ganesh Pandian Namasivayam)، محقق "دانشگاه کیوتو" (Kyoto University) ژاپن با همکاری "بالاسوبرامانیان رامان" (Balasubramanian Raman)، دانشمند اهل هند، نوعی روش یادگیری ماشینی ابداع کرده اند که میتواند تومورهای گلیوما را با حدود ۹۸ درصد دقت، در درجات بالا و پائین طبقه بندی کند.

با کمک این روش، تومورهای گلیوما باتوجه به میزان تهاجمی بودن آن ها مشخص و طبقه بندی میشوند تا طبیبان بتوانند درمان مناسب برای هر مریض را باتوجه به سطح تومور انتخاب کنند.

رامان اظهار‌کرد: روش ما، رویکردهای پیشرفته ای را بکار می گیرد تا میزان تهاجمی بودن گلیوما را باتوجه به اسکن های ام .آر.آی مغز بیماران مشخص کند.

گانش بیان کرد: ما امیدواریم هوش مصنوعی، به ابداع مدل های نرم‌افزاری نیمه خودکار یا خودکار منجر شود که میتوانند به پزشکان و رادیولوژیست ها در انتخاب بهترین درمان برای بیماران کمک کنند.

این پژوهش، در مجله "IEEE Access" به چاپ رسید.