چگونه هوش مصنوعی می تواند تصمیم گیری درمانی برای سرطان پستان را دقیق تر ، مقرون به صرفه تر کند؟

تصور کنید که شما پزشک هستید و یک دستیار هوشمند دائمی مثل هوش مصنوعی در کنار خود دارید که به شما بینشی هوشمندانه ای از بیماری می دهد و به شما کمک می کند تا بهترین راه درمان مانند سرطان پستان را برای بیماران خود شناسایی کنید؛ یک تیم در Salesforce Research معتقد است که این سناریو به عنوان یک نتیجه از تحولات هیجان انگیز در فناوری بینایی AI و یادگیری ماشین ، به واقعیت نزدیکتر از آن است که شما فکر می کنید.

میزان سرطان پستان در حال افزایش است

سرطان پستان سالانه بیش از دو میلیون زن در سراسر جهان مبتلا می کند ، از هر هشت زن در ایالات متحده حدود یک نفر در طول زندگی خود به سرطان پستان مبتلا می شود. همچنین ۲۵۵۰ مورد جدید سرطان پستان در مردان در ایالات متحده در سال ۲۰۱۸ وجود دارد. این مطلب که میزان سرطان پستان در تقریباً هر منطقه در سطح جهان در حال افزایش است، به شدت نگران کننده است.

تحقیقات Salesforce برای توسعه ReceptorNet ، یک الگوریتم یادگیری عمیق که می تواند وضعیت گیرنده هورمون را تعیین کند – یک نشانگر زیستی برای پزشکان هنگام تصمیم گیری در مورد مسیر درمان مناسب برای بیماران سرطانی پستان – با تعداد و حساسیت و ویژگی عالی با موسسه الیسون همکاری کرد.

اگرچه استفاده از هوش مصنوعی برای بهبود نتایج بیماران سرطانی پستان چیز جدیدی نیست ، اما تلاش ها تاکنون – مانند ابزار غربالگری AI گوگل برای سرطان پستان – بیشتر بر تشخیص سرطان متمرکز بوده است.

آنچه گیرنده نت را منحصر به فرد می کند تمرکز آن بر بهبود روش تصمیم گیری در مورد بیماران مبتلا به سرطان پستان است. به طور خاص ، ReceptorNet وضعیت یک گیرنده هورمونی را توسط یک تصویر بافتی ارزان قیمت و در همه موقعیت های مکانی پیش بینی می کند. این در تضاد با استاندارد مراقبت فعلی است ، که هم به نوعی گران قیمت تر ، و هم به مقدار نمونه کمتری از بافت نیاز دارد – و به یک آسیب شناس آموزش دیده برای بررسی این تصاویر نیاز است.

موضوع مهم تر اینکه؛ این یک روش ارزان و سریعتر برای تعیین وضعیت گیرنده هورمون نسبت به سیستمی است که امروزه در کشورهایی مانند ایالات متحده به طور معمول مورد استفاده قرار می گیرد ،و به طور بالقوه می تواند به تصمیم گیری با کیفیت بالا برای درمان های سرطان پستان کمک کند همچنین، به بیماران اجازه می دهد در سطح جهانی فارغ از تخصص موجود در سیستم مراقبت های بهداشتی آنها ، بهترین راه درمان ممکن را دریافت کنند.

• نحوه شروع پروژه ReceptorNet

توسعه ReceptorNet در گفتگوهای محققان Salesforce و دکتر دیوید آگوس ، مدیر موسس و مدیرعامل موسسه پزشکی تحول آفرین لارنس جی الیسون از USC نشات گرفت.

دکتر آگوس یک آنکولوژیست مشهور و استاد پزشکی و مهندسی است. وی توضیح می دهد که مدت هاست در بین پزشکان سرطان این باور وجود دارد که سلول های تومور حاوی اطلاعات مهمی در مورد سرطان است که مغز انسان نمی تواند کاملاً استخراج کند.

دکتر آگوس می گوید: “مغز انسان در تعیین یا عدم وجود سرطان بر اساس مشاهده الگوها در سلول بسیار خوب است” ، اما نمی تواند تفاوت های ظریف این الگوها را که با نتیجه سرطان ارتباط دارد تعیین کند. به عبارت دیگر ، کلید خاموش و روشن مولکولی چیست. “

این بدان معنی است که ممکن است یک بیمار مبتلا به سرطان تشخیص داده شود اما پس از آن مجبور است هفته ها منتظر نتایج مطالعات مولکولی باشد تا مشخص شود چه درمانی باید انجام دهد.

دکتر آگوس می گوید: “تیم ما چندین سال است که در حال کار بر روی هوش مصنوعی برای درک الگوهای سلول ها و کمک به تصمیم گیری در مورد درمان است. ما این تصور را داشتیم که شاید بتوانیم بلافاصله با هوش مصنوعی و یادگیری ماشین پاسخ این سوالات مولکولی را پیدا کنیم.”

همانجا بود که تیم تحقیقاتی Salesforce وارد عمل شدند. “نیکیل نایک” ، دانشمند ارشد تحقیقات در Salesforce Research و اولین نویسنده این تحقیق ، می گوید: “ما یک تیم تحقیقاتی هوش مصنوعی در سطح جهانی داریم” ، افزود: “این همکاری ،با فلسفه توسعه فناوری که علاوه بر اینکه هدف شرکت است ، تأثیر مثبتی نیز بر مردم و جهان دارد. “

• یافتن سرنخی برای سرطان پستان که چشم قادر به دیدن آن نیست

راه حل این تیم تهیه یک هوش مصنوعی است،که قادر است با یادگیری الگوهای موجود در تصاویر تومورها ، با استفاده از یک فرآیند تصویربرداری ارزان و در دسترس ، سرنخ های حیاتی درباره سرطان پستان را استخراج کند. Naik یک قیاس ساده می دهد.

فرض کنید که تصادف کرده اید و فکر می کنید ممکن است دست خود را شکسته باشید. چه اتفاقی می افتد اگر به جای مراجعه به بیمارستان برای انجام عکسبرداری با اشعه ایکس ، فقط از بازوی خود بر روی تلفن همراه خود عکس بگیرید و یک الگوریتم هوش مصنوعی می تواند شکستگی شما را تشخیص دهد،

“این بسیار شبیه کاری است که ما انجام می دهیم. ما با استفاده از هوش مصنوعی ، یک فرایند پرهزینه و وقت گیر را که نیاز به یک فن آوری تخصصی دارد ، با یک فناوری ساده تر و گسترده تر برای تصویربرداری جایگزین می کنیم.” [MC (2]

بنابراین چگونه این کار در عمل انجام می شود؟ به طور معمول ، هنگامی که بیمار مبتلا به سرطان پستان تشخیص داده می شود ، یک آسیب شناس با استفاده از فرایندی به نام رنگ آمیزی ایمونوهیستوشیمی (IHC) بافت تومور وی را در زیر میکروسکوپ تجزیه و تحلیل می کند تا وجود گیرنده های هورمونی را که باعث رشد سرطان می شوند ، جستجو کند. این به آنها کمک می کند تا در مورد بهترین روش درمانی مانند هورمون درمانی یا شیمی درمانی تصمیم بگیرند.

مشکل رنگ آمیزی IHC این است که گران ، وقت گیر است و به راحتی در بسیاری از نقاط جهان ، به ویژه در کشورهای در حال توسعه یافت نمی شود.

ReceptorNet آموخته است که با استفاده از یک فرآیند تصویربرداری بسیار ارزان تر و ارزان تر – هماتوکسیلین و ائوزین (H&E) – که وضعیت ، اندازه و ساختار سلول ها را تجزیه و تحلیل می کند ، وضعیت گیرنده های هورمونی را تعیین کند.

ReceptorNet بر روی چندین هزار اسلاید تصویری H&E ، هر کدام حاوی میلیاردها پیکسل ، از بیماران سرطانی در ده ها بیمارستان در سراسر جهان آموزش دیده است.

آندره استوا ، سرپرست هوش مصنوعی پزشکی ، و یکی از نویسندگان این مطالعه ، می گوید: “این الگوریتم قادر است پیکسل های منفرد را ببیند و الگوهای ظریفی را که چشم انسان نمی تواند درک کند ، تعیین کند.”

• اوقات جالب برای هوش مصنوعی پزشکی

از اوایل سال ۲۰۱۹ ، Naik و Esteva تیمی را در Salesforce هدایت می کنند که متمرکز بر ارائه برنامه های کاربردی هوش مصنوعی برای منافع اجتماعی ، در درجه اول در زمینه های پزشکی و علمی است. به تازگی ، این تیم موتورهای جستجو برای COVID-19 ایجاد کرده است تا به محققان و پزشکان کمک کند اطلاعات را سریعتر پیدا کنند.

استوا میگوید: “انجام این نوع تحقیقات هوش مصنوعی در صنعت ، بر خلاف دانشگاه ، یک مزیت قابل توجه است. تیم های هوش مصنوعی تمایل به شکوفایی دارند ، در صورت ارائه قابلیت محاسبه مقیاس صنعتی – و بودجه های مقیاس صنعتی ، زیرا این عناصر آزمایش سریع را بسیار آسان تر می کنند”.

علی مدنی ، دانشمند تحقیق  ، می افزاید: “من فکر می کنم بیشترین کاربردهای AI در مراقبت های بهداشتی خواهد بود.”

مدنی با شور و اشتیاق درباره تأثیر تحول آفرینی AI در زندگی مردم صحبت می کند. وی می گوید: “کاربردهای مستقیمی وجود دارد که می تواند کل جامعه را بهبود بخشد.”این انگیزه اساسی است که مرا به سمت هوش مصنوعی و مراقبت های بهداشتی سوق داده است.”

• حذف تعصب ، بهبود قابلیت دسترسی ، تحول پزشکی

بنابراین ، این می تواند برای پزشکان و بیماران چه معنایی داشته باشد؟ توانایی تعیین وضعیت گیرنده هورمون از لکه های H&E، می تواند هزینه درمان را به خصوص در کشورهای در حال توسعه ارزان تر و به راحتی در دسترس قرار دهد.

همچنین دکتر آگوس می گوید ، این می تواند بدین معنا باشد که بیماران از یک انتظار عذاب آور بین تشخیص و شروع درمان در امان هستند.

دکتر آگوس با پیشنهاد یک مورد استفاده در آینده از این فن آوری جدید گفت: “تصور کنید وقتی خانمی برای تشخیص خود مراجعه می کند ،ما می توانیم همانجا درجا به او بگوییم که درمانش باید چگونه باشد. یا در یک کشور جهان سوم ( آزمایشات مولکول در دسترس نیست) ، تصور کنید که به طور بالقوه بتوانید ، فقط با اسکن اسلاید ، به یک زن بگویید که می تواند قرصی دریافت کند که می تواند سرطان سینه او را تحت کنترل درآورد. این یک تحول در پزشکی است. “

برای اینکه هوش مصنوعی در پزشکی بتواند پتانسیل کامل خود را داشته باشد ، پزشکان ابتدا باید به صحت آن اطمینان داشته باشند.

Naik تصدیق می کند: “الگوریتمی که فقط ۸۰٪ دقت داشته باشد ، برای تعیین یک نوع سرطان درمانی برای بیمار ، به اندازه کافی مناسب نیست.”

در مرحله آزمایش پروژه ReceptorNet ، هنگامی که این الگوریتم بر روی تصاویری که قبلاً هرگز ندیده بود مورد آزمایش قرار گرفت ، به دقت ۹۲٪ برای تعیین گیرنده های هورمون دست یافت که نشان دهنده پتانسیل آن برای استقرار بالینی در آینده است.

بدون در نظر گرفتن تفاوت در تهیه نمونه های بافتی که مورد تجزیه و تحلیل قرار گرفت ، برای افزایش اطمینان از اینکه الگوریتم قادر به ارائه پیش بینی های دقیق بود ، تغییرات کوچک و افزایشی متعددی ایجاد شد. مهمتر از همه ، الگوریتم همچنین قادر به ارائه عملکرد قابل اعتماد در بین گروههای مختلف جمعیتی است.

مدت هاست که نگرانی هایی وجود دارد که مراقبت های بهداشتی و دارویی مبتنی بر شواهد می توانند در برابر گروه های خاصی مغرضانه عمل کنند ، زیرا آنها اغلب در پایگاه شواهد کمبود دارند. با این حال ، در طول توسعه ReceptorNet ، محققان توانستند نتایج صحیحی را در گروههای مختلف بدست آورند ، که برای ایجاد اطمینان در عملکرد هوش مصنوعی در میان متخصصان مراقبت های بهداشتی می تواند حیاتی باشد.

Naik می گوید ، “ما این را با تقسیم داده ها بر اساس مواردی مانند سن ، نژاد و محل تجزیه و تحلیل کردیم و از نظر آماری هیچ تفاوتی در عملکرد الگوریتم وجود نداشت.”

• اهمیت همکاری نزدیک

در طول مراحل طراحی ، تیم Salesforce با دکتر آگوس ، دکتر دن رودرمن و دکتر مایکل اف پرس در انستیتوی الیسون همکاری نزدیک داشتند تا اطمینان حاصل کنند که آنها از تعصبات احتمالی موجود در داده های تغذیه شده آگاهی دارند. به مدل این همکاری نزدیک همچنین به اطمینان از همسو بودن اهداف تیم با روند کار بالینی و سوالاتی که پزشکان  و پرستاران به آن علاقه مند هستند ، کمک کرد.

با وجود این ، تیم آگاه بود که هر پزشکی به راحتی مطمعن نیست که می توان به هوش مصنوعی اعتماد کرد.

Naik می گوید که آسیب شناسانی که با آنها صحبت کردند در ابتدا شک داشتند ، و توضیح می دهد که این نوع پیش بینی براساس اسلاید H&E کاری نیست که آسیب شناسان بتوانند به تنهایی انجام دهند.

“با این حال ، وقتی دیدند که الگوریتم خیلی خوب کار می کند ، واقعاً تحت تأثیر قرار گرفتند که فقط با یادگیری از هزاران تصویر توانست این پیش بینی ها را انجام دهد – و همچنین اینکه این شبهات آنها را در مورد انواع الگوها تایید می کند پیش بینی کند. این برای آنها بسیار چشمگیر و مهیج بود. “

دکتر آگوس موافق است. “وقتی ما برای اولین بار شروع به بررسی چگونگی پاسخ سریع سوالات مولکولی با هوش مصنوعی و یادگیری ماشین کردیم ، به نتایج خوبی نیز دست یافتیم. اما وقتی با Salesforce همکاری کردیم ، این نتایج از خوب به عالی رسید.”

• پیامدهای بلند مدت و کوتاه مدت

از منظر بالینی ، این فناوری در نهایت می تواند منجر به تعدادی از تأثیرات مثبت شود. در یک کشور پیشرفته مانند ایالات متحده ، این می تواند هزینه مراقبت و زمان لازم برای شروع درمان سرطان پستان را کاهش دهد ، زیرا از فناوری تصویربرداری بسیار ارزان تر و از تصمیم گیری خودکار استفاده می کند. همچنین می تواند دقت را بهبود بخشد و نتایج بهتری را برای بیماران به همراه داشته باشد.

در کشورهای در حال توسعه که دسترسی محدود به رنگ آمیزی IHC وجود دارد ، می تواند از نظر گسترش دسترسی به درمان، تأثیر زیادی داشته باشد.

اثر فوری این کار ایجاد بنیادی برای مطالعات آینده برای مقایسه روند کار بالینی یک آسیب شناس با و بدون این نوع هوش مصنوعی است ، به منظور درک بهتر پتانسیل آن.

دکتر آگوس می گوید که ، “این فقط نوک کوه یخ است با آنچه که ما قادر خواهیم بود با AI در مراقبت از سرطان انجام دهیم. این فقط یک طرح آزمایشی است تا نشان دهد چه کاری امکان پذیر است. اکنون ، ما می توانیم عمیق تر و عمیق تر شویم. و می توانم یک روز خیلی دور را در نظر بگیرم ، وقتی فقط با نگاه کردن به یک اسلاید ، با کمک هوش مصنوعی ،میتوانیم به کسی بگویم “شما داروی X را دریافت خواهید کرد و نه Y’.”

برای Esteva ، یکی از جالب ترین نکات در مورد این پروژه این است که نشان داده است چگونه هوش مصنوعی می تواند کارهایی بیش از تقلید از نقش یک پزشک انجام دهد.

“آنچه ما در اینجا انجام می دهیم در واقع آموزش هوش مصنوعی برای انجام کاری است که پزشک قادر به انجام آن نیست ، به عنوان یک توانایی اضافه شده به مجموعه آنها. هوش مصنوعی می تواند الگوهایی را ببیند که اساساً برای پزشک قابل مشاهده نیستند و به طور بالقوه برای بیمار حیاتی هستند. “

در نهایت هوش مصنوعی می تواند تأثیر مثبتی بر روابط پزشک و بیمار داشته باشد. با دستیابی به بینش های مجهز به هوش مصنوعی ، پزشکان می توانند در مراحل ابتدایی مسیر درمانی خود با بیماران خود مکالمه آگاهانه تری داشته باشند و به آنها تصویری کامل و مبتنی بر داده را از آنچه در زمینه درمان و درمان در پیش است ارائه دهند.

• حرکت به آینده

Esteva مشتاقانه استرس دارد که هوش مصنوعی به تقویت نقش پزشک کمک می کند و نه جایگزین آن.

“آنچه واقعاً من را به وجد می آورد ، این است که فکر کنم ،” این پنج یا ۱۰ سال آینده به کجا می رود؟ ” متأسفانه ، بسیاری از ما می توانیم به موقعیت هایی ارتباط برقرار کنیم که به شخصی که دوستش داریم ، درمان نادرست انجام داده شود یا به درستی تشخیص داده نشود. در پایان از خود می پرسید که اگر تصمیمی کمی بهتر گرفته شود ، زندگی او چگونه متفاوت میشد، زندگی یک بیمار برای سالها یا دهه ها “.

“پزشکان باید بتوانند بهترین دانش ممکن را بر اساس دانش پزشکی موجود اتخاذ کنند. اگر می توانید هوش مصنوعی بسازید که می تواند به پزشکان در تصمیم گیری صحیح کمک کند ، با استفاده از هوش جمعی پزشکان و داده های پزشکی ، این فوق العاده قدرتمند است.”

دکتر آگوس می افزاید: “هوش مصنوعی و یادگیری ماشینی دوره جدیدی را اعلام می کند ، با این پتانسیل که در بیماری های فراتر از سرطان اعمال شود و در نهایت نتایج بهتری را برای بیماران ایجاد کند. این یک شبه اتفاق نخواهد افتاد و یک فرآیند آهسته خواهد بود. فرآیند مرحله به مرحله ، اما ما در دهه آینده سفری را برای بهبود هر جنبه از آنچه که انجام می دهیم ، از طریق داده ها آغاز کرده ایم. این واقعا هیجان انگیز است. “

(این تحقیق در Nature Communications منتشر شده است.)