به گزارش کارگروه فناوری اطلاعات سایبربان؛ دانشمندان هندی و ژاپنی از جمله انستیتوی علوم یکپارچه مواد سلولی (iCeMS) در دانشگاه کیوتو (Kyoto) روشی جدید با ارائه بهترین شیوه درمانی به پزشکان براساس درجه تومور مغزی بیماران توسعه دادند.
روش تشخیص معمول گلیوما (gliomas)، از طریق اسکن‌های ام‌آرآی (MRI) است که یک تصویر 3بعدی از بافت اسکن شده بازسازی می‌کند و داده‌های ارزشمندی در مورد شکل و بافت تومور می‌دهد. الگوریتم‌های هوش مصنوعی مدت زیادی است که به استخراج این داده‌ها کمک می‌کنند. آنكولوژیست‌های پزشكی از این روش – موسوم به رادیومیک (radiomics) – برای بهبود تشخیص بیماران استفاده می‌کنند؛ با این حال، هنوز باید دقت آن بیشتر شود.
به همین دلیل، گانِش پاندیان ناماسیوایام (Ganesh Pandian Namasivayam)، مهندس زیست انستیتوی علوم یکپارچه مواد سلولی دانشگاه کیوتو به همراه بالاسوبرامانیان رامان (Balasubramanian Raman)، دانشمند داده، تیمی را برای توسعه رویکرد یادگیری ماشینی و امکان طبقه‌بندی گلیوما به درجه‌های پایین یا بالا با دقت 97.54 درصد تشکیل داد.
این یک پیشرفت مهم برای بیماران مبتلا به تومور مغزی محسوب می‌شود، زیرا انتخاب روش درمانی گلیوما تا حد زیادی به درجه‌بندی آن بستگی دارد.
تیم یاد شده از مجموعه داده مربوط به 210 اسکن ام‌آرآی افراد مبتلا به گلیومای درجه بالا و 75 مورد دیگر با گلیومای درجه پایین استفاده کردند. آنها یک رویکرد یادگیری ماشینی به نام «CGHF» توسعه دادند که برپایه سیستم پشتیبانی تصمیم‌گیری محاسباتی برای طبقه‌بندی گلیوما با استفاده از رادیومیک‌های ترکیبی و ویژگی‌های مبتنی بر موجَک است.
الگوریتم‌ها، برای استخراج اطلاعات مربوط به تومورهای مغزی از اسکن ام‌آرآی با دقت پردازش داده‌ها و طبقه‌بندی گلیوما انتخاب می‌شوند. محققان، سپس مدل خود را روی بقیه اسکن‌های ام‌آرآی آزمایش کردند تا دقت آن در 97.54 درصد ارزیابی شود.
بالاسوبرامانیان در این خصوص گفت :
«روش ما عملکرد بهتری نسبت به سایر روش‌های پیشرفته برای پیش‌بینی درجه‌های گلیوما از اسکن‌های ام‌آرآی مغز دارد. این موضوع کاملاً قابل توجه است.»
گانِش نیز اظهار داشت :
«ما امیدواریم که هوش مصنوعی به توسعه یک مدل نرم‌افزاری پیش‌بینی کننده ماشین نیمه اتوماتیک یا خودکار در راستای کمک به پزشکان، رادیولوژیست‌ها و سایر کادر پزشکی و ارائه بهترین شیوه‌های درمانی بیماران کمک کند.»
