هوش مصنوعی در انکولوژی – اکنون چه می‌شود و در آینده چه چیزی در انتظار ماست؟
در این مقاله
هوش مصنوعی (AI) سال‌هاست در انکولوژی به کار می‌رود؛ با این حال، مطالعات اخیر نشان می‌دهند هوش مصنوعی می‌تواند کاربردهای تکمیلی بسیاری در تشخیص و درمان سرطان داشته باشد. کاربردهای آن در انکولوژی طی چند سال گذشته از آینده‌ای نویدبخش به واقعیت تبدیل شده‌اند و مطالعات در حال انجام نشان می‌دهند این فناوری می‌تواند کاربردهای بیشتری در مراقبت سرطان ارائه کند.
کاربردهای هوش مصنوعی که اکنون در کار بالینی انکولوژی به کار می‌روند، بیشتر در تشخیص سرطان کمک می‌کنند. مدل‌های یادگیری ماشین و یادگیری عمیق برای افزایش دقت و کارایی فرایند تشخیص سرطان استفاده می‌شوند.
در زیر دامنه مفاهیم «هوش مصنوعی»، «یادگیری ماشین» و «یادگیری عمیق» دیده می‌شود.
هوش مصنوعی امروز
سازمان غذا و داروی آمریکا (FDA) فناوری‌های بسیاری از هوش مصنوعی را برای استفاده در انکولوژی تأیید کرده است؛ برجسته‌ترین کاربردها در رادیولوژی هستند.
بر اساس تحلیلی در 2021، دستگاه‌های مرتبط با هوش مصنوعی تأییدشده برای استفاده در انکولوژی بیش از همه در
- رادیولوژی (54.9%) و
- پاتولوژی (19.7%) استفاده می‌شوند و
- بیشترین کاربرد این دستگاه‌ها برای سرطان پستان (31%) است.
رادیولوژیست‌های پستان به‌طور فزاینده از هوش مصنوعی برای
- تعیین تراکم پستان,
- ارزیابی کیفیت ماموگرافی،
- طبقه‌بندی ماموگرافی‌ها به گروه‌های کم‌خطر، با خطر متوسط یا پرخطر سرطان پستان،
- شناسایی سرطان‌های پستان
- و همچنین خطر بیماری آترواسکلروتیک (گرفتگی قلبی‌عروقی) و شناسایی افراد در معرض آن استفاده می‌کنند.
هوش مصنوعی همچنین می‌تواند درباره سرطانی بودن یا نبودن یک یافته سونوگرافی پستان اطلاعات تکمیلی فراهم کند.
هوش مصنوعی در غربالگری و تشخیص سرطان کولورکتال نیز مؤثر بوده است. در 2021، FDA عرضه GI Genius را تأیید کرد؛ این نخستین دستگاهی بود که برای شناسایی ضایعات هنگام کولونوسکوپی از هوش مصنوعی استفاده می‌کرد.
موضوعات مرتبط:
FDA نخستین دستگاه هوش مصنوعی برای تشخیص زودهنگام سرطان کولون را تأیید کرد
فناوری هوش مصنوعی برای توموسنتز دیجیتال پستان تأیید FDA گرفت
افزون بر این، هوش مصنوعی در برخی آزمایشگاه‌های پاتولوژی برای خواندن لام‌های پاتولوژی دیجیتال و روشن‌تر کردن تشخیص سرطان، پس از سال‌ها پژوهش در این حوزه، به کار می‌رود.
همه موضوعاتی که تا اینجا بیان کردیم، درباره شناسایی تصویر بود. با این حال، هوش مصنوعی در توسعه داروهای جدید سرطان نیز به کار گرفته شده است.
برخی شرکت‌های داروسازی در انکولوژی برای کشف اهداف مولکولی جدید و ایمن از هوش مصنوعی استفاده می‌کنند و شرکت‌های دیگر، گاهی با ترکیب آن با مدل‌سازی مولکولی، برای طراحی مولکول‌های کاملاً جدید نامزد دارویی آن را به کار می‌گیرند. آینده هوش مصنوعی در کشف دارو بسیار درخشان است.
هوش مصنوعی همچنین برای افزایش کارایی برنامه‌ریزی پرتودرمانی و تعیین حدود تومور و اندام‌ها استفاده می‌شود تا درمان سرعت گیرد و اثربخشی و ایمنی رساندن پرتو افزایش یابد.
در چارچوب مراقبت حمایتی یا تسکینی، هوش مصنوعی (AI)، علائم حیاتی خودگزارش‌شده بیماران تحت پایش از راه دور را ارزیابی می‌کند. به کمک مدل‌های پردازش زبان طبیعی (NLP) و یادگیری ماشین (ML)، روندهای نامطلوب سلامت را می‌توان زودهنگام شناسایی و هشدارهای لازم را سریع صادر کرد. این مدل‌ها می‌توانند تغییرات حیاتی وضعیت سلامت را خودکار شناسایی کنند و با فراهم کردن اطلاعات لازم برای مداخله سریع، کیفیت مراقبت بیماران را بهبود دهند.
هوش مصنوعی در آینده
پژوهش‌های بسیاری در حال انجام‌اند که ظرفیت کاربردهای تکمیلی هوش مصنوعی در انکولوژی را آشکار می‌کنند.
تصویربرداری پستان حوزه‌ای مناسب برای پژوهش هوش مصنوعی به شمار می‌رود و کاربردهای آینده، چه مستقل از سابقه خانوادگی و چه همراه با آن، می‌توانند در کوتاه‌مدت و بلندمدت برای تعیین خطر سرطان پستان به ابزاری مهم تبدیل شوند.
پژوهشگران با استفاده از تصویربرداری شکم و پرونده‌های الکترونیکی سلامت بلندمدت بیماران، توانایی هوش مصنوعی را برای شناسایی بیماران پرخطر سرطان پانکراس بررسی می‌کنند. این کار با فراهم کردن امکان تشخیص زودهنگام در بیماری‌ای با میزان مرگ بالا، می‌تواند ایجاد برنامه‌های غربالگری برای افراد پرخطر را ممکن کند.
هوش مصنوعی در نهایت ممکن است ویژگی‌های مولکولی سرطان‌ها و نشانگرهای زیستی آن‌ها را ارزیابی کند؛ در برخی موارد این امر می‌تواند نیاز به نمونه‌برداری‌های تهاجمی و انتظار برای نتایج را برطرف کند.
این امر با خون‌گیری یا استفاده از رادیومیکس MRG (تصویربرداری تشدید مغناطیسی) در یک روش غیرتهاجمی به نام «نمونه‌برداری مجازی» ممکن می‌شود؛ برای مثال، یک مدل یادگیری عمیق می‌تواند MRG مغز را تحلیل کند و مشخص کند آیا تومور مغزی جهش ژنتیکی مشخصی مانند IDH1 یا BRAF دارد یا نه.
در انکولوژی، رویکرد اُمیک از طریق رشته‌هایی مانند ژنومیک (علم ژنوم)، ترنسکریپتومیک (علم ترنسکریپتوم)، پروتئومیک (علم پروتئوم) و متابولومیک (علم متابولوم)، شناخت عمیق زیست‌شناسی سرطان را هدف می‌گیرد. این رویکرد می‌کوشد عملکرد سلول‌های سرطانی را در سطح ژنتیکی و مولکولی درک کند و راهبردهای مؤثرتری برای درمان سرطان توسعه دهد. رویکرد اُمیک درها را به سوی پزشکی فردمحور و درمان‌های هدفمندتر سرطان باز می‌کند تا اثربخشی درمان افزایش و عوارض جانبی کاهش یابد.
عصر جدید هوش مصنوعی با ChatGPT
به‌عنوان گامی جدید و بزرگ، ChatGPT و دیگر مدل‌های زبانی بزرگ (LLM) به‌صورت پیشرفتی هیجان‌انگیز با ظرفیت کاربرد در انکولوژی مطرح می‌شوند.
مطالعاتی وجود دارند که نشان می‌دهند مدل‌های کنونی ChatGPT می‌توانند با دقت مناسبی به پرسش‌های پزشکی پاسخ دهند، اما این نتایج باید با مجموعه‌داده‌های واقعی و باکیفیت، به‌صورت نظام‌مندتر تأیید شوند.
بیمارستان‌ها و مراکز پزشکی ممکن است به‌زودی برای آموزش مدل‌های زبانی بزرگ (LLM) باکیفیت، شامل داده‌هایی مانند نتایج آزمایشگاهی، اسکن‌ها و سابقه پزشکی پیشین، به پتابایت‌ها داده انکولوژی پزشکی دسترسی یابند؛ این امکان می‌تواند کاربردهای هوش مصنوعی در انکولوژی را به‌طور قابل‌توجهی پیش ببرد. چنین دسترسی‌ای به داده، با ممکن کردن توسعه مدل‌های هوش مصنوعی مؤثرتر و فردمحورتر برای تشخیص، درمان و پژوهش سرطان، می‌تواند مراقبت و نتایج درمانی بیماران را بهبود دهد.
نمونه‌های ChatGPT در انکولوژی
در مطالعه‌ای که اوایل امسال منتشر شد، Haver و همکارانش دریافتند ChatGPT به پرسش‌های غربالگری و پیشگیری از سرطان پستان که رادیولوژیست‌های پستان تأیید کرده بودند، با دقت 88% پاسخ می‌دهد.
دو مطالعه منتشرشده در اوت 2023 نشان دادند چت‌بات‌ها می‌توانند با دقت بالا به پرسش‌های انواع مختلف سرطان پاسخ دهند، اما این فناوری همچنان محدودیت‌هایی دارد.
در یکی از این مطالعات، Pan و همکارانش پاسخ چت‌بات‌ها به جست‌وجوهای اینترنتی پُرتکرار درباره سرطان‌های پوست، کولورکتال، پروستات، ریه و پستان را ارزیابی کردند. چت‌بات‌ها در مجموع اطلاعات باکیفیتی ارائه کردند، اما این اطلاعات همیشه قابل‌اقدام نبودند و در سطح خواندن دانشگاهی نوشته شده بودند.
در مطالعه دیگر، Chen و همکارانش نشان دادند پاسخ‌های یک چت‌بات درباره درمان‌های سرطان با توصیه‌های رهنمودهای شبکه ملی جامع سرطان آمریکا (US-NCCN) همیشه سازگار نیست. چت‌بات می‌توانست برای 98% از پرسش‌های سرطان پستان، پروستات و ریه دست‌کم یک پیشنهاد درمانی بدهد و همه این پاسخ‌ها حداقل یک توصیه سازگار با US-NCCN داشتند. با این حال، 34.3% از پاسخ‌ها حداقل یک توصیه ناسازگار داشتند و 12.5% «توهمی» بودند (یعنی بخشی از هیچ درمان توصیه‌شده‌ای نبودند).
حوزه دیگری برای کاربرد هوش مصنوعی، پیش‌بینی احتمال بقای بیماران سرطانی با مدل‌های پردازش زبان طبیعی است. Nunez و همکارانش مستند کردند این مدل‌ها می‌توانند تنها بر اساس داده‌های مشاوره اولیه انکولوژی بیمار، پیامدهای بقا را پیش‌بینی کنند.
بهینه‌سازی هوش مصنوعی برای کاربرد بالینی
متخصصان می‌گویند برای بهینه‌سازی کاربرد هوش مصنوعی (AI) در انکولوژی بالینی، باید مجموعه‌ای از محدودیت‌ها و موضوعات بررسی شوند.
از نظر اخلاقی، مدل‌های هوش مصنوعی و دستگاه‌های پزشکی مبتنی بر آن باید با مجموعه‌داده‌های متنوع توسعه یابند و اطمینان حاصل شود در استفاده بالینی، گروه‌های بیمارانی را که باید نمایندگی کنند به‌درستی بازنمایی می‌کنند. در غیر این صورت، این مدل‌ها و دستگاه‌ها می‌توانند سوگیری و نابرابری‌های مراقبت سلامت را افزایش دهند.
در مرحله پژوهش و توسعه، یکی از موانع استفاده از مجموعه‌داده‌های بزرگ و متنوع، تردید مراکز پزشکی در به اشتراک گذاشتن داده‌ها است.
باید راه‌هایی برای عادی‌سازی و تشویق اشتراک داده، در حالت مطلوب با حمایت بیماران، بیابیم؛ یا الگوریتم‌های آموزشی جدیدی توسعه دهیم تا مدل‌های هوش مصنوعی را به‌صورت محلی آموزش دهیم، مدل‌ها را میان مراکز مختلف ترکیب کنیم و سپس دقت مدل‌های ترکیبی را تأیید کنیم.
با وجود همه این پیشرفت‌ها، ارزیابی بسیاری از مدل‌های موجود در کار بالینی ضروری است.
مدل هوش مصنوعی اگر روی قفسه بماند، فقط یک مدل است. در انکولوژی واقعی، هوش مصنوعی باید مدلی باشد که در مراقبت بالینی استفاده شود، برای پزشکان ارزش ایجاد کند و پیامدهای بیمار و نظام سلامت را بهبود دهد. کاربردپذیری، پذیرش و ایمنی این مدل‌ها باید تعریف شوند و برای درک اثرشان، فرایندهای ارزیابی مداوم لازم است.
در حال حاضر، پذیرش مدل‌های هوش مصنوعی در محیط بالینی با چالش‌های اجرایی محدود می‌شود؛ از جمله
- دشواری‌های ادغام مدل‌های هوش مصنوعی در نرم‌افزار پرونده الکترونیکی سلامت،
- نبود رابط‌های کاربری شهودی در بسیاری از مدل‌های هوش مصنوعی و
- هزینه‌های بالای آموزش برخی مدل‌های پیشرفته.
منابع
2. Artificial intelligence and machine learning (AI/ML)-enabled medical devices. US Food and Drug Administration. منتشرشده در 5 اکتبر 2022. تاریخ دسترسی 24 سپتامبر 2023.
3. Luchini, C., Pea, A. & Scarpa, A. Artificial intelligence in oncology: Current applications and future perspectives. Br J Cancer. 2022;126:4-9. doi:10.1038/s41416-021-01633-1
4. Schaffter T, Buist DSM, Lee CI, et al. Evaluation of combined artificial intelligence and radiologist assessment to interpret screening mammograms. JAMA Netw Open. 2020;3(3):e200265. doi:10.1001/jamanetworkopen.2020.0265
5. Arasu VA, Habel LA, Achacoso NS, et al. Comparison of mammography AI algorithms with a clinical risk model for 5-year breast cancer risk prediction: An observational study. Radiology. 2023;307:5. https://doi.org/10.1148/radiol.222733
6. Shen Y, Shamout FE, Oliver JR, et al. Artificial intelligence system reduces false-positive findings in the interpretation of breast ultrasound exams. Nat Commun. 2021;12(1):5645. doi:10.1038/s41467-021-26023-2
7. Mansur A, Saleem Z, Elhakim T, Daye D. Role of artificial intelligence in risk prediction, prognostication, and therapy response assessment in colorectal cancer: Current state and future directions. Front Oncol. 2023;13:1065402. doi:10.3389/fonc.2023.1065402
8. FDA authorizes marketing of first device that uses artificial intelligence to help detect potential signs of colon cancer. US Food and Drug Administration. منتشرشده در 9 آوریل 2021. تاریخ دسترسی 24 سپتامبر 2023.
9. Senthil Kumar K, Miskovic V, Blasiak A, et al. Artificial intelligence in clinical oncology: From data to digital pathology and treatment. Am Soc Clin Oncol Educ Book. 2023;43:e390084. doi:10.1200/EDBK_390084
10. You Y, Lai X, Pan Y, et al. Artificial intelligence in cancer target identification and drug discovery. Signal Transduct Target Ther. 2022;7(1):156. doi:10.1038/s41392-022-00994-0
11. Wang L, Song Y, Wang H, et al. Advances of artificial intelligence in anti-cancer drug design: A review of the past decade. Pharmaceuticals. 2023;16(2):253. doi:10.3390/ph16020253
12. Hindocha S, Zucker K, Jena R, et al. Artificial intelligence for radiotherapy auto-contouring: Current use, perceptions of and barriers to implementation. Clinical Oncology. 2023;35(4):P219-226. doi:10.1016/j.clon.2023.01.014
13. Qureshi TA, Javed S, Sarmadi T, Pandol SJ, Li D. Artificial intelligence and imaging for risk prediction of pancreatic cancer: A narrative review. Chin Clin Oncol. 2022;11(1):1. doi:10.21037/cco-21-117
14. Haver HL, Ambinder EB, Bahl M, Oluyemi ET, Jeudy J, Yi PH. Appropriateness of breast cancer prevention and screening recommendations provided by ChatGPT. Radiology. 2023;307(4):e230424. doi:10.1148/radiol.230424
15. Pan A, Musheyev D, Bockelman D, Loeb S, Kabarriti AE. Assessment of artificial intelligence chatbot responses to top searched queries about cancer. JAMA Oncol. انتشار آنلاین 24 اوت 2023. doi:10.1001/jamaoncol.2023.2947
16. Chen S, Kann BH, Foote MB, et al. Use of artificial intelligence chatbots for cancer treatment information. JAMA Oncol. انتشار آنلاین 24 اوت 2023. doi:10.1001/jamaoncol.2023.2954
17. Nunez J-J, Leung B, Ho C, Bates AT, Ng RT. Predicting the survival of patients with cancer from their initial oncology consultation document using natural language processing. JAMA Netw Open. انتشار آنلاین 27 فوریه 2023. doi:10.1001/jamanetworkopen.2023.0813
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.