طبقهبندی بسیار موفقتر سرطان با یادگیری ماشین

بسیاری از سرطانها اغلب بر اساس ظاهر سلولها زیر میکروسکوپ طبقهبندی میشوند. این روش، بررسی آسیبشناختی نام دارد و نزدیک به 200 سال است که آسیبشناسان آن را انجام میدهند. با اینکه آسیبشناسان تخصص بالایی دارند و بر اساس معیارها و الگوریتمهای متعدد ارزیابی میکنند، تشخیصها ویژگی ذهنی دارند؛ یعنی ممکن است تا حدی با مشاهدهگر تغییر کنند. در پژوهشی روی تومورهای مغزی با یکی از فناوریهای امروزی هوش مصنوعی، یعنی یادگیری ماشین و بررسی الگوهای مولکولی، نتایج عینی و دقیقتری برای تشخیص سرطان به دست آمد.
بنیادیترین اصل در درمان یک بیماری، شناسایی درست آن است. پیشرفتهای فناوری کنونی در پردازش تصویر با هوش مصنوعی امکان بررسیهای تشخیصی دقیق و مستقل از نتایج ذهنی را فراهم میکنند. Capper و گروهش روی این فناوریهای مبتنی بر یادگیری ماشین کار میکنند و بر اساس مدلهای مولکولی، طبقهبندی تازهای از تومورهای مغزی ارائه کردهاند.
امروزه بسیاری از تومورها علاوه بر ویژگیهای بافتشناختی، با ویژگیهای مولکولی نیز تحلیل و تعریف میشوند. سازمان جهانی بهداشت (DSÖ) در 2016 توصیه کرد در رویکردهای تشخیصی یکپارچه، اطلاعات بافتشناختی و مولکولی با هم استفاده شوند. با این حال، تشخیصهای عمدتاً متکی به بافتشناسی، به دلیل نبود شناسههای مولکولی برای بسیاری از انواع نادر تومور کافی نیستند. همچنین تشخیص بافتشناختی با دشواریهای متعددی روبهروست؛ از جمله تنوع سلولی احتمالی در تومورهایی که موزاییکی از سلولهای دارای تغییرات ژنتیکی متفاوتاند و این واقعیت که بسیاری از تومورهای مختلف مغزی میتوانند ویژگیهای بافتشناختی مشابه داشته باشند. همچنان این پرسش وجود دارد که شباهت بافتشناختی چقدر شباهت تومورها را بازتاب میدهد؛ زیرا تومورهای دارای بافتشناسی مشابه ممکن است متفاوت پیشرفت کنند و تومورهای دارای بافتشناسی متفاوت نیز ممکن است یکسان پیش بروند.
پیشرفت مهم برای تحلیل بافتشناختی، گسترش ابزارهای محاسباتی است که تحلیل دادههای بافتشناختی را با فرایندهای یادگیری ماشین ممکن میکنند. در این رویکرد، رایانه با مجموعهدادهای از تصاویر نمونهٔ تومور که پزشک طبقهبندی کرده است، آموزش داده میشود. رایانه از اطلاعات طبقهبندی برای توسعهٔ معیارهای تشخیص الگوی خود جهت شناسایی انواع تومور استفاده میکند. اما اگر معیارهای تشخیصی روشن برای بعضی تومورها وجود نداشته باشند یا انواع مختلف تومور از نظر بافتشناختی قابل تفکیک نباشند، دشواری ایجاد میشود.
Capper و همکاران تصمیم گرفتند بر اطلاعات مولکولی که طبقهبندیشان به ارزیابی بصری پیچیده نیاز ندارد و بر تغییرات اپیژنتیکیتمرکز کنند. آنها رویکرد یادگیری ماشین را بر اساس تغییرات متیلاسیون DNA (افزودن گروههای متیل به DNA) برای طبقهبندی تومور به کار بردند و این تشخیصها را با تشخیصهای آسیبشناسان با استفاده از تحلیل بافتشناختی مقایسه کردند.
متیلاسیون DNA نوعی تغییر موسوم به تغییر اپیژنتیکی است. این دسته از تغییرات توالی DNA را عوض نمیکنند، اما میتوانند بر بیان ژن یا سرنوشت سلول اثر بگذارند. نقش متیلاسیون DNA و دیگر تغییرات اپیژنتیکی در سرطان هر روز روشنتر میشود. در بسیاری از سرطانها، الگوی سراسری تغییرات اپیژنتیکی ژنوم که اپیژنوم نام دارد، ممکن است بهشدت تغییر کند. برای مثال، جهشهای ژنهای IDH1 یا IDH2 در تومورهای مغزی نوع گلیوم، موجب بینظمی سراسری الگوهای متیلاسیون DNA میشوند که میتواند با پیامدهای بالینی خاص مرتبط باشد.
مطالعات پیشین مزایای تشخیصی تعیین نمایهٔ متیلاسیون DNA را برای بعضی تومورهای مغزی برجسته کردهاند، زیرا تحلیل متیلاسیون DNA در سراسر اپیژنوم، رویکرد تشخیصی بیطرفانهای ارائه میکند. اما تعیین معمول نمایهٔ متیلاسیون سراسری اپیژنوم برای تشخیص بالینی نسبتاً نادر است؛ به دلایلی مانند هزینه، نیازهای نمونه، کمبود کارکنان متخصص تحلیل داده و این پرسش که آیا یافتهها بر درمانهای بالینی مورد استفاده تأثیر دارند یا خیر. با این حال پیشرفتهایی نیز رخ میدهد. برای نمونه، روشهایی برای استفاده از DNA استخراجشده از رایجترین بافت توموریِ نگهداریشده با مواد شیمیایی روی لام شیشهای وجود دارد؛ نمونههایی که تثبیتشده با فرمالین و قرارگرفته در پارافین (FFPE) نام دارند.
نویسندگان برای نمونههای تقریباً تمام انواع تومور مغزی طبقهبندیشده توسط DSÖ، دادههای متیلاسیون سراسری ژنوم را به رایانه دادند. رایانهها از نمونههای طبقهبندیشده توسط آسیبشناسان و همچنین نمونههای حاصل از یادگیری ماشین بدون نظارت استفاده کردند و برای شناخت الگوهای متیلاسیون، یادگیری ماشین نظارتشده را به کار بردند.
پس از آموزش، رایانه توانست تومورها را بر اساس نمایههای متیلاسیون ویژه در 82 طبقهٔ جداگانه قرار دهد. فقط 29 طبقه از آنها به یک نوع تومور مشخص، در 29 زیرگروهِ نمایندهٔ انواع تعریفشدهٔ DSÖ، مطابقت داشتند.
با این حال، جالبترین کشفهای Capper و همکاران طبقهبندیهایی بودند که تومورهای مشابه از نظر بافتشناختی را کنار هم قرار میدادند؛ مانند طبقهبندی چند نوع تومور تعریفشده توسط DSÖ یا انواعی که با گروهبندی DSÖ تطابق نداشتند. این کشفها میتوانند دربارهٔ شباهت تومورها مستقل از بافتشناسی اطلاعات بدهند و به توسعهٔ گزینههای درمانی یا ابزارهای تشخیصی کمک کنند.
نویسندگان از رایانه برای طبقهبندی 1.104 مورد آزمایشی تومور استفاده کردند که آسیبشناسان با روشهای استاندارد بافتشناختی یا مولکولی تشخیص داده بودند. در %60.4 این موارد، طبقهبندی رایانهای با طبقهبندی آسیبشناس یکسان بود. در %15.5 موارد، رایانه و آسیبشناس نوع تومور یکسانی تعیین کردند، اما رایانه میتوانست تومور را به زیرطبقه نیز اختصاص دهد. در %12.6 موارد، تشخیص رایانه با تشخیص آسیبشناس مطابقت نداشت.
نکتهٔ قابلتوجه این بود که تحلیل دقیقتر این موارد، برای نمونه با توالییابی ژن ، باعث شد در %92.8 این تومورهای خاص، تشخیص بالینی اولیه به طبقهبندی رایانهای تغییر کند. همچنین %71 تومورهای دوبارهطبقهبندیشده به درجهٔ توموری متفاوت اختصاص یافتند؛ تغییری که ممکن است بر پیشآگهی (سیر بیماری) یا درمان اثر بگذارد. موارد آزمایشی باقیمانده (% 11.5) توسط رایانه طبقهبندی نشدند. تحلیل محاسباتی بیشتر نشان میدهد یکسوم تومورهای این گروه ممکن است نمایندهٔ تومورهای نادری باشند که رایانه هنوز برای ایجاد گروه طبقهبندی آنها با نمونهٔ کافی روبهرو شده است.
آیا رویکرد Capper و همکاران با تشخیص استاندارد سرطان قابل مقایسه است؟ با توجه به مزایایی مانند هزینهٔ کم هر نمونه، آیا میتواند استاندارد احتمالی آینده برای تشخیص تومور باشد؟ اگر چنین است، آیا پایان تحلیلهای بافتشناختی خواهد بود؟
به دست آوردن نمایهٔ جامع مولکولی نمونهٔ تومور، بهویژه همراه با بررسی میکروسکوپی، قطعاً مفید است و میتواند راه آینده باشد؛ زیرا درمان پزشکی با ویژگیهای تومور هر فرد شخصیتر میشود. با این حال، فعلاً بافتشناسی برای طبقهبندی بیماری ضروری است، چون رویکردهای استاندارد نگهداری نمونه و بررسی میکروسکوپی، در جریان کار تشخیصی معمول آزمایشگاههای بالینی سراسر جهان، در دسترسترین و عمومیترین نقطهٔ ورود را فراهم میکنند. بیماری میتواند هم با تغییرات مولکولی و هم سلولی بروز کند؛ بنابراین رویکردی که تحلیل مولکولی و معاینهٔ بصری را ترکیب کند، توان تشخیصی را تقویت میکند.
استفادهٔ معمول و گسترده از سکوی توسعهیافتهٔ Capper و همکاران ممکن است امروز برای بسیاری از آزمایشگاهها عملی نباشد؛ بنابراین فوریترین کاربرد آن، ارزیابی موارد دارای ویژگیهای بافتشناختی نامشخص است. با این حال، اگر این رویکرد یادگیری ماشین تکمیل و گسترش یابد، ممکن است در بعضی موارد جای بررسی میکروسکوپی تشخیصی را بگیرد.
منابع
Machine learning classifies cancer.
Nature, News and Views, 14 March 2018
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.