به گزارش کارگروه فناوری اطلاعات سایبربان؛ مقاله منتشر شده در «The Lancet Digital Health» به‌وسیله محققان دانشگاه پیتزبورگ و مرکز پزشکی این دانشگاه (UPMC)، بالاترین دقت را تا به امروز در تشخیص سرطان پروستات با استفاده از یک برنامه هوش مصنوعی نشان می‌دهد. راجیو دیر (Rajiv Dhir)، آسیب‌شناس ارشد و معاون آسیب‌شناسی در «Shadyside» مرکز پزشکی دانشگاه پیتزبورگ و استاد انفورماتیک زیست پزشکی در این دانشگاه گفت که اگرچه انسان‌ها در تشخیص ناهنجاری‌ها خوب هستند، اما بر تعصب و تجربه قبلی خود پافشاری دارند. ماشین‌ها از این جریان مستثنا هستند؛ مطمئناً یک عنصر استانداردسازی مراقبت وجود دارد.
برای آموزش هوش مصنوعی در تشخیص سرطان پروستات، دیر و همكارانش تصاویری از بیش از یك میلیون قسمت از اسلایدهای بافت رنگ آمیزی گرفته شده از بیوپسی‌های بیمار تهیه كردند. هر تصویر به‌وسیله پاتولوژیست‌های متخصص برای آموزش به هوش مصنوعی در نحوه تمایز بافت سالم و غیرطبیعی برچسب زده شد. سپس این الگوریتم روی یک مجموعه جداگانه از 1600 اسلاید گرفته شده از 100 بیمار مشکوک به سرطان پروستات در مرکز پزشکی دانشگاه پیتزبورگ آزمایش شد.
در طول آزمایش، هوش مصنوعی 98 درصد حساسیت و 97 درصد ویژگی در تشخیص سرطان پروستات را نشان داد که به‌طور قابل توجهی بالاتر از موارد پیشین گزارش شده برای الگوریتم های کار شده از اسلایدهای بافتی بود. این اولین الگوریتمی است که علاوه بر تشخیص سرطان، گزارش عملکرد بالا برای درجه‌بندی تومور، اندازه و تهاجم اعصاب اطراف را نیز ارائه می‌دهد. اینها همه به عنوان ویژگی‌های مهم بالینی، در گزارش آسیب‌شناسی مورد نیاز هستند.
هوش مصنوعی همچنین 6 اسلاید را که به‌وسیله آسیب‌شناسان خبره ذکر نشده بود، پرچم‌گذاری کرد. دیر توضیح داد که این لزوماً به معنای برتری دستگاه نسبت به انسان نیست. به عنوان مثال، در جریان ارزیابی، آسیب‌شناس می‌توانست به سادگی شواهد کافی از بدخیمی را در جای دیگری از نمونه‌های آن بیمار ببیند تا درمان را توصیه کند. با این حال، برای آسیب‌شناسان کم‌تجربه، این الگوریتم می‌تواند عملکرد درستی نداشته باشد.
استاد انفورماتیک زیست پزشکی دانشکاه پیتزبورگ اظهار داشت :
«الگوریتم‌های این‌چنینی به ویژه در ضایعات غیرعادی مفید هستند. شاید یک فرد غیرمتخصص بتواند ارزیابی صحیحی انجام دهد. این یک مزیت عمده این نوع سیستم به شمار می‌آید. در حالیکه این نتایج امیدوارکننده هستند، الگوریتم‌های جدید برای تشخیص انواع مختلف سرطان باید آموزش ببینند.»
نشانگرهای آسیب‌شناسی در همه انواع بافت، جهانی نیستند. دیر هنوز پاسخ این سؤال را کشف نکرده که به عنوان مثال چرا نمی‌توان این کار را برای تطبیق فناوری در درمان سرطان سینه انجام داد. نویسندگان دیگر این مقاله شامل لیرون پانتانوویتز (Liron Pantanowitz)، کارشناس پزشکی و جراحی دانشگاه میشیگان، گابریلا کوئیروگا گارزا (Gabriela Quiroga-Garza)، دارای مدرک دکترا از مرکز پزشکی دانشگاه پیتزبورگ، لیلاچ بیِن (Lilach Bien)، رونن هِلِد (Ronen Heled)، دافنا لیفنفلد (Daphna Laifenfeld)، چایم لینهارت (Chaim Linhart)، جویت ساندبانک (Judith Sandbank)، مانوئلا وسلر (Manuela Vecsler)، از اعضای «Ibex Medical Analytics»، آنات آلبرت شاخ (Anat Albrecht-Shach)، دکترای مرکز پزشکی شامیر (Shamir)، واردا شالف (Varda Shalev)، دکترای خدمات درمانی ماکابی (Maccabbi) و پاملا میچلو (Pamela Michelow)، کارشناسی ارشد، و اسکات هازلهارست (Scott Hazelhurst)، دکترای دانشگاه ویتواترزرند (Witwatersrand) هستند.
بودجه این مقاله به‌وسیله ایبکس (Ibex) تأمین شده که این الگوریتم تجاری را نیز ایجاد کرده است. پانتانوویتز، شالف و آلبرت شاخ هزینه‌های پرداخت شده به‌وسیله ایبکس را گزارش دادند و پانتانوویتز و شالف در هیئت مشاوره پزشکی فعالیت می‌کنند. بیِن و لینهارت در انتظار ثبت اختراع «62/743,559» و «62/981,925» آمریکا هستند. ایبکس هیچ تأثیری در طراحی مطالعه یا تفسیر نتایج نداشت.
