مدل یادگیری عمیق مبتنی بر هوش مصنوعی می تواند تشخیص سرطان را با شمارش دقیق انواع سلول ها در تصاویر کل اسلاید بهبود بخشد.

محققان دانشگاه فنلاند شرقی یک مدل یادگیری عمیق پیشرفته را برای پیش‌بینی حضور و شمارش انواع سلول‌های مختلف در محیط میکرو تومور ایجاد کرده‌اند. انتظار می‌رود رویکرد یادگیری عمیق چندوجهی، دقت و کارایی تشخیص سرطان و برنامه‌ریزی درمان را بهبود بخشد.

شناسایی انواع مختلف سلول های موجود در ریزمحیط تومور می تواند اطلاعات ارزشمندی در مورد بافت شناسی تومور و بیولوژی زمینه ای ارائه دهد. شمارش دقیق و قابل اعتماد نوع سلول نیز برای تحقیقات و کاربردهای بالینی ضروری است. محققان می توانند از شمارش سلولی برای مطالعه توزیع انواع سلول های مختلف در محیط میکرو تومور و ارتباط آن با نتایج بیمار استفاده کنند. در عمل بالینی، از شمارش سلولی می توان برای نظارت بر پاسخ به درمان و پیگیری پیشرفت بیماری استفاده کرد.

“نیاز به روش‌های بهتری برای شمارش نوع سلول در تصاویر آسیب‌شناسی با استفاده از رویکردهای یادگیری عمیق وجود دارد. رویکردهای فعلی مبتنی بر تقسیم‌بندی و رگرسیون دارای محدودیت‌هایی مانند نیاز به حاشیه‌نویسی دقیق در سطح پیکسل، دشواری در مدیریت هسته‌های همپوشانی یا مناطق مبهم، و عدم وجود راجو گوده، محقق دکترا، که در توسعه رویکرد پیشنهادی در تیم تحقیقاتی هوش مصنوعی سرطان در موسسه تحقیقاتی سرطان کمک کرده است، می‌گوید: اطلاعات مربوط به مکان نوع سلول فردی. پزشکی بالینی، دانشگاه فنلاند شرقی.

این مطالعه، که در SPIE Medical Imaging 2023 در سن دیگو ارائه شد، یک رویکرد یادگیری عمیق چند کاره شواهدی جدید، به طور خلاصه CT-EMT، برای رسیدگی به محدودیت‌های روش‌های فعلی برای شمارش نوع سلول در تصاویر تومور کل اسلاید پیشنهاد می‌کند. رویکرد پیشنهادی تخمین چگالی نوع سلول و شمارش نوع سلول را به عنوان وظایف رگرسیونی و تقسیم‌بندی هسته‌ها را به عنوان یک کار طبقه‌بندی در سطح پیکسل فرموله می‌کند. نویسندگان مدل را بر روی دو مجموعه داده منبع باز آموزش داده و ارزیابی کرده اند: PanNuke و MoNuSAC.

روش تقسیم‌بندی و شمارش نوع سلولی پیشنهادی، از نظر کیفیت متوسط ​​پانوپتیک، از مدل‌های پیشرفته HoVer-Net و StarDist با بهبودهای نسبی 21% و 12% بهتر عمل کرده است.

مدل توسعه‌یافته می‌تواند تفاسیر قانع‌کننده‌ای از انواع سلول‌های متنوع ارائه دهد و می‌تواند برای کارهای مختلف پایین‌دستی در آسیب‌شناسی محاسباتی، مانند درجه‌بندی تومور، پیش‌آگهی، و برنامه‌ریزی درمان اعمال شود. این کار به توسعه ابزار آسیب شناسی دیجیتال دقیق تر و قوی تر کمک می کند که می تواند به آسیب شناسان و پزشکان در تشخیص و درمان بیماران سرطانی کمک کند.

حمید بهروان، محقق ارشد از دانشگاه فنلاند شرقی، می‌گوید: “هدف تیم تحقیقاتی UEF Cancer AI کشف پتانسیل استفاده از فناوری یادگیری عمیق در تجزیه و تحلیل داده‌های سرطان و سلامت است.”

“مطالعه ما شامل توسعه و ارزیابی الگوریتم‌های یادگیری عمیق پیشرفته برای تجزیه و تحلیل سرطان و انواع مختلف داده‌های مرتبط با سلامت، از جمله تصاویر پزشکی، داده‌های ژنومی، و سوابق الکترونیکی سلامت است. ما معتقدیم که این رویکرد دارای پتانسیل قابل توجهی است. بهبود دقت و کارایی تشخیص و برنامه‌ریزی درمان سرطان سینه و همچنین تسهیل در کشف بینش‌ها و الگوهای جدید در داده‌های سرطان. امیدواریم که تحقیقات ما به پیشرفت پزشکی دقیق و توسعه روش‌های مؤثرتر و شخصی‌تر کمک کند. رویکردهایی برای پیشگیری و پیش آگهی سرطان سینه.”