علیرغم پیشرفت های اساسی در ژنتیک و تصویربرداری مدرن ، این تشخیص اکثر بیماران مبتلا به سرطان سینه را بطور شگفت آور جلب می کند. برای بعضی ها خیلی دیر شده است. تشخیص بعدی به معنای درمانهای پرخاشگرانه ، نتایج نامشخص و هزینه های پزشکی بیشتر است. در نتیجه ، شناسایی بیماران ستون اصلی تحقیقات سرطان پستان و تشخیص زودهنگام موثر بوده است.
با توجه به این نکته ، تیمی از آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) و بیمارستان عمومی ماساچوست (MGH) یک مدل یادگیری عمیق جدید ایجاد کرده اند که اگر بیمار احتمال دارد به همان اندازه مبتلا به سرطان پستان شود ، از ماموگرافی پیش بینی می کند. به عنوان پنج سال در آینده. این مدل بر روی ماموگرافی ها و نتایج شناخته شده از بیش از 60،000 بیمار مبتلا به MGH آموزش دیده ، این مدل الگوهای ظریف در بافت پستان را که پیشروان تومورهای بدخیم هستند ، آموخت .
پروفسور MIT ، رجینا بارزیلی ، خود که از مریضان مبتلا به سرطان سینه است ، می گوید: امیدواری برای سیستم هایی از این دست امکان پذیر باشد که پزشکان بتوانند برنامه های غربالگری و پیشگیری را در سطح فردی انجام دهند و تشخیص دیرهنگام را به یادگار می گذارد.
اگرچه نشان داده شده است كه ماموگرافي باعث كاهش مرگ و مير سرطان پستان مي شود ، بحث بر سر اينكه چه زماني غربالگري شود و چه زماني شروع شود. در حالی که انجمن سرطان آمریکا غربالگری سالانه را از 45 سالگی توصیه می کند ، کارگروه پیشگیری ایالات متحده توصیه می کند غربالگری هر دو سال یکبار از 50 سالگی شروع شود.
بارزیلی ، نویسنده ارشد مقاله جدید در مورد پروژه ارائه شده امروز در رادیولوژی می گوید: "به جای اینکه یک رویکرد یک اندازه مناسب داشته باشیم ، می توان غربالگری را در مورد خطر یک زن در ابتلا به سرطان انجام داد." "به عنوان مثال ، یک پزشک ممکن است توصیه کند که یک گروه از زنان هر سال دیگر یک ماموگرافی انجام دهند ، در حالی که یک گروه با خطر بالاتر ممکن است غربالگری MRI اضافی را انجام دهد." برزیل استاد الکترونیک دلتا در CSAIL و گروه مهندسی برق و علوم کامپیوتر در MIT و عضو مؤسسه Koch برای تحقیقات یکپارچه سرطان در MIT است.
الگوی تیم در پیش بینی خطر از روشهای موجود بهتر بود: این دقیقاً 31 درصد از کل بیماران مبتلا به سرطان را در رده بالاترین ریسک خود قرار داد ، در مقایسه با تنها 18 درصد برای مدل های سنتی.
پروفسور هاروارد ، کنستانس لمن می گوید که قبلاً در جامعه پزشکی برای استراتژی های غربالگری که بیشتر مبتنی بر ریسک باشد و نه مبتنی بر سن ، کمترین پشتیبانی در جامعه پزشکی وجود داشته است.
لمن ، استاد رادیولوژی در دانشکده پزشکی هاروارد و رئیس بخش تصویربرداری از پستان در MGH می گوید: "دلیل این امر آن است که پیش از این ما ابزار دقیق ارزیابی ریسک را که برای زنان فردی کار می کرد ، نداشتیم." "کار ما اولین کسی است که نشان می دهد ممکن است."
برزیلی و لمن مقاله را با نویسنده اصلی آدام یلا ، دکترای CSAIL نوشتند. دانشجو. سایر نویسندگان مؤسس MIT عبارتند از Ph.D. دانش آموز Tal Schuster و دانشجوی سابق استاد Tally Portnoi.
چگونه کار می کند
از زمان نخستین مدل خطر سرطان پستان از سال 1989 ، توسعه تا حد زیادی توسط دانش و شهود انسان از عوامل خطر عمده ممکن است ، از جمله سن ، سابقه خانوادگی سرطان پستان و تخمدان ، عوامل هورمونی و تولید مثل و تراکم پستان ناشی شده است.
با این حال ، بسیاری از این نشانگرها فقط با سرطان پستان ارتباط ضعیفی دارند. در نتیجه ، چنین مدل هایی هنوز در سطح فردی دقیق نیستند ، و بسیاری از سازمان ها همچنان با توجه به این محدودیت ها ، احساس می کنند که برنامه های غربالگری مبتنی بر ریسک امکان پذیر نیست.
تیم MIT / MGH به جای شناسایی دستی الگوهای در یک ماموگرافی که منجر به سرطان آینده می شود ، یک مدل یادگیری عمیق را آموزش داد تا الگوهای را مستقیماً از داده ها استنباط کند. با استفاده از اطلاعات بیش از 90،000 ماموگرافی ، این مدل الگوهای بسیار ظریف را برای تشخیص انسان تشخیص داده است.
لمن می گوید: "از دهه 1960 رادیولوژیست ها متوجه شدند كه زنان الگوهای منحصر به فرد و گسترده ای از بافت پستان دارند كه در ماموگرافی قابل مشاهده هستند." "این الگوهای می تواند نشان دهنده تأثیر ژنتیک ، هورمون ها ، بارداری ، شیردهی ، رژیم غذایی ، کاهش وزن و افزایش وزن باشد. اکنون می توانیم از این اطلاعات دقیق بهره ببریم تا در ارزیابی ریسک ما در سطح فردی دقیق تر باشند."
بیشتر بخوانید: پمپ وکیوم کوچک
عادلانه تر شدن تشخیص سرطان
هدف این پروژه نیز ارزیابی دقیق ریسک برای اقلیت های نژادی به ویژه است. بسیاری از مدل های اولیه در مورد جمعیت سفید پوست توسعه داده شد ، و از نظر نژادهای دیگر بسیار کم دقت تر بودند. در ضمن ، مدل MIT / MGH برای زنان سفید پوست و سیاه به همان اندازه دقیق است. این امر به ویژه مهم است با توجه به اینکه زنان سیاه پوست به دلیل طیف وسیعی از عواملی که ممکن است شامل تفاوت در تشخیص و دسترسی به مراقبت های بهداشتی باشد ، 42 درصد بیشتر در معرض سرطان سینه هستند .
آلیسون کوریان ، استادیار پزشکی و تحقیقات / سیاست های بهداشتی در دانشکده پزشکی دانشگاه استنفورد می گوید: "این به خصوص جالب توجه است که این مدل به همان اندازه برای افراد سفید پوست و سیاه عمل می کند ، که این مورد در مورد ابزارهای قبلی نبود." "اگر تأیید شود و برای استفاده گسترده در دسترس قرار گیرد ، این واقعاً می تواند در استراتژی های فعلی ما برای برآورد خطر بهبود یابد."
برزیل می گوید سیستم آنها همچنین ممکن است روزی پزشکان را قادر سازد از ماموگرافی استفاده کنند تا ببینند که آیا بیماران در معرض خطر سایر مشکلات سلامتی مانند بیماری های قلبی عروقی یا سایر سرطان ها قرار دارند. محققان مشتاق هستند که این مدلها را بر روی سایر بیماریها و بیماریها و به ویژه مدلهای دارای ریسک کمتر موثر مانند سرطان لوزالمعده بکار گیرند.
یلا می گوید: "هدف ما این است که این پیشرفت ها را جزئی از استاندارد مراقبت قرار دهیم." "با پیش بینی اینکه چه کسی در آینده به سرطان مبتلا خواهد شد ، ما می توانیم امیدوارم قبل از بروز علائم ، جان ها را نجات دهیم و سرطان را بگیریم."
علیرغم پیشرفت های اساسی در ژنتیک و تصویربرداری مدرن ، این تشخیص اکثر بیماران مبتلا به سرطان سینه را بطور شگفت آور جلب می کند. برای بعضی ها خیلی دیر شده است. تشخیص بعدی به معنای درمانهای پرخاشگرانه ، نتایج نامشخص و هزینه های پزشکی بیشتر است. در نتیجه ، شناسایی بیماران ستون اصلی تحقیقات سرطان پستان و تشخیص زودهنگام موثر بوده است.
با توجه به این نکته ، تیمی از آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) و بیمارستان عمومی ماساچوست (MGH) یک مدل یادگیری عمیق جدید ایجاد کرده اند که اگر بیمار احتمال دارد به همان اندازه مبتلا به سرطان پستان شود ، از ماموگرافی پیش بینی می کند. به عنوان پنج سال در آینده. این مدل بر روی ماموگرافی ها و نتایج شناخته شده از بیش از 60،000 بیمار مبتلا به MGH آموزش دیده ، این مدل الگوهای ظریف در بافت پستان را که پیشروان تومورهای بدخیم هستند ، آموخت .
پروفسور MIT ، رجینا بارزیلی ، خود که از مریضان مبتلا به سرطان سینه است ، می گوید: امیدواری برای سیستم هایی از این دست امکان پذیر باشد که پزشکان بتوانند برنامه های غربالگری و پیشگیری را در سطح فردی انجام دهند و تشخیص دیرهنگام را به یادگار می گذارد.
اگرچه نشان داده شده است كه ماموگرافي باعث كاهش مرگ و مير سرطان پستان مي شود ، بحث بر سر اينكه چه زماني غربالگري شود و چه زماني شروع شود. در حالی که انجمن سرطان آمریکا غربالگری سالانه را از 45 سالگی توصیه می کند ، کارگروه پیشگیری ایالات متحده توصیه می کند غربالگری هر دو سال یکبار از 50 سالگی شروع شود.
بارزیلی ، نویسنده ارشد مقاله جدید در مورد پروژه ارائه شده امروز در رادیولوژی می گوید: "به جای اینکه یک رویکرد یک اندازه مناسب داشته باشیم ، می توان غربالگری را در مورد خطر یک زن در ابتلا به سرطان انجام داد." "به عنوان مثال ، یک پزشک ممکن است توصیه کند که یک گروه از زنان هر سال دیگر یک ماموگرافی انجام دهند ، در حالی که یک گروه با خطر بالاتر ممکن است غربالگری MRI اضافی را انجام دهد." برزیل استاد الکترونیک دلتا در CSAIL و گروه مهندسی برق و علوم کامپیوتر در MIT و عضو مؤسسه Koch برای تحقیقات یکپارچه سرطان در MIT است.
الگوی تیم در پیش بینی خطر از روشهای موجود بهتر بود: این دقیقاً 31 درصد از کل بیماران مبتلا به سرطان را در رده بالاترین ریسک خود قرار داد ، در مقایسه با تنها 18 درصد برای مدل های سنتی.
پروفسور هاروارد ، کنستانس لمن می گوید که قبلاً در جامعه پزشکی برای استراتژی های غربالگری که بیشتر مبتنی بر ریسک باشد و نه مبتنی بر سن ، کمترین پشتیبانی در جامعه پزشکی وجود داشته است.
لمن ، استاد رادیولوژی در دانشکده پزشکی هاروارد و رئیس بخش تصویربرداری از پستان در MGH می گوید: "دلیل این امر آن است که پیش از این ما ابزار دقیق ارزیابی ریسک را که برای زنان فردی کار می کرد ، نداشتیم." "کار ما اولین کسی است که نشان می دهد ممکن است."
برزیلی و لمن مقاله را با نویسنده اصلی آدام یلا ، دکترای CSAIL نوشتند. دانشجو. سایر نویسندگان مؤسس MIT عبارتند از Ph.D. دانش آموز Tal Schuster و دانشجوی سابق استاد Tally Portnoi.
چگونه کار می کند
از زمان نخستین مدل خطر سرطان پستان از سال 1989 ، توسعه تا حد زیادی توسط دانش و شهود انسان از عوامل خطر عمده ممکن است ، از جمله سن ، سابقه خانوادگی سرطان پستان و تخمدان ، عوامل هورمونی و تولید مثل و تراکم پستان ناشی شده است.
با این حال ، بسیاری از این نشانگرها فقط با سرطان پستان ارتباط ضعیفی دارند. در نتیجه ، چنین مدل هایی هنوز در سطح فردی دقیق نیستند ، و بسیاری از سازمان ها همچنان با توجه به این محدودیت ها ، احساس می کنند که برنامه های غربالگری مبتنی بر ریسک امکان پذیر نیست.
تیم MIT / MGH به جای شناسایی دستی الگوهای در یک ماموگرافی که منجر به سرطان آینده می شود ، یک مدل یادگیری عمیق را آموزش داد تا الگوهای را مستقیماً از داده ها استنباط کند. با استفاده از اطلاعات بیش از 90،000 ماموگرافی ، این مدل الگوهای بسیار ظریف را برای تشخیص انسان تشخیص داده است.
لمن می گوید: "از دهه 1960 رادیولوژیست ها متوجه شدند كه زنان الگوهای منحصر به فرد و گسترده ای از بافت پستان دارند كه در ماموگرافی قابل مشاهده هستند." "این الگوهای می تواند نشان دهنده تأثیر ژنتیک ، هورمون ها ، بارداری ، شیردهی ، رژیم غذایی ، کاهش وزن و افزایش وزن باشد. اکنون می توانیم از این اطلاعات دقیق بهره ببریم تا در ارزیابی ریسک ما در سطح فردی دقیق تر باشند."
بیشتر بخوانید: پمپ وکیوم کوچک
عادلانه تر شدن تشخیص سرطان
هدف این پروژه نیز ارزیابی دقیق ریسک برای اقلیت های نژادی به ویژه است. بسیاری از مدل های اولیه در مورد جمعیت سفید پوست توسعه داده شد ، و از نظر نژادهای دیگر بسیار کم دقت تر بودند. در ضمن ، مدل MIT / MGH برای زنان سفید پوست و سیاه به همان اندازه دقیق است. این امر به ویژه مهم است با توجه به اینکه زنان سیاه پوست به دلیل طیف وسیعی از عواملی که ممکن است شامل تفاوت در تشخیص و دسترسی به مراقبت های بهداشتی باشد ، 42 درصد بیشتر در معرض سرطان سینه هستند .
آلیسون کوریان ، استادیار پزشکی و تحقیقات / سیاست های بهداشتی در دانشکده پزشکی دانشگاه استنفورد می گوید: "این به خصوص جالب توجه است که این مدل به همان اندازه برای افراد سفید پوست و سیاه عمل می کند ، که این مورد در مورد ابزارهای قبلی نبود." "اگر تأیید شود و برای استفاده گسترده در دسترس قرار گیرد ، این واقعاً می تواند در استراتژی های فعلی ما برای برآورد خطر بهبود یابد."
برزیل می گوید سیستم آنها همچنین ممکن است روزی پزشکان را قادر سازد از ماموگرافی استفاده کنند تا ببینند که آیا بیماران در معرض خطر سایر مشکلات سلامتی مانند بیماری های قلبی عروقی یا سایر سرطان ها قرار دارند. محققان مشتاق هستند که این مدلها را بر روی سایر بیماریها و بیماریها و به ویژه مدلهای دارای ریسک کمتر موثر مانند سرطان لوزالمعده بکار گیرند.
یلا می گوید: "هدف ما این است که این پیشرفت ها را جزئی از استاندارد مراقبت قرار دهیم." "با پیش بینی اینکه چه کسی در آینده به سرطان مبتلا خواهد شد ، ما می توانیم امیدوارم قبل از بروز علائم ، جان ها را نجات دهیم و سرطان را بگیریم."
ایجاد پرونده برای اشیاء رباتیک به عنوان رسانه های خشم