فهرست مطالب نمایش

اخبار تکنولوژی

محققان در مجله آمریکایی پاتولوژی گزارش دادند که می‌توان از یک مدل deep learning آموزش داده شده برای تجزیه و تحلیل تصاویر بافت شناسی نمونه‌های جراحی استفاده کرد که به طور دقیق بیماران کرون را طبقه بندی می‌کند.
به گفته پژوهشگران، بیش از 500 هزار نفر در ایالات متحده به بیماری کرون مبتلا هستند. بیماری کرون یک بیماری التهابی مزمن روده است که به پوشش دستگاه گوارش آسیب می‌رساند. می‌تواند باعث التهاب دستگاه گوارش شود که ممکن است منجر به درد شکم، اسهال شدید، خستگی، کاهش وزن و سوء تغذیه شود.

بسیاری از افراد برای درمان بیماری کرون خود به جراحی نیاز دارند. حتی پس از یک عمل موفقیت آمیز، عود مجدد شایع است. اکنون، محققان گزارش می‌دهند که ابزار هوش مصنوعی در پیش بینی عود بیماری کرون پس از عمل بسیار دقیق است. همچنین عود این بیماری را با بافت شناسی سلول‌های چربی زیر ماست سل مرتبط می‌باشد.

محققان با استفاده از ابزار هوش مصنوعی (AI) که نحوه تجسم انسان را شبیه‌سازی می‌کند و برای شناسایی و طبقه‌بندی تصاویر آموزش دیده است، مدلی ایجاد کردند که با ارزیابی تصاویر بافت‌شناسی، عود بیماری کرون را با دقت بالایی پیش‌بینی می‌کند. ابزار هوش مصنوعی همچنین هنگام مقایسه افراد با عود و بدون عود بیماری، تفاوت‌های ناشناخته قبلی را در سلول‌های چربی و نابرابری‌های قابل توجه در میزان نفوذ سلول‌های ماست در پوشش خارجی روده شناسایی کرد. مجله آمریکایی آسیب شناسی Elsevier این یافته‌ها را منتشر کرد.

میزان عود علامت دار بیماری کرون که یک بیماری مزمن التهابی دستگاه گوارش است، پس از عمل 10 ساله، 40 درصد است. اگرچه روش‌های امتیازدهی برای اندازه‌گیری فعالیت بیماری کرون و وجود عود بعد از عمل وجود دارد، اما هیچ سیستم امتیازدهی برای پیش‌بینی بازگشت بیماری کرون ابداع نشده است.

همچنین اخبار بیشتری مطالعه کنید:

ضربان ساز هوشمندی که پس از عدم نیاز،بدون اینکه مشکلی در بدن ایجاد کند، حل می‌شود.

فناوری صوتی غیرتهاجمی، تومورها را از بین می‌برد، سلول‌های سرطانی را می‌کشد و سیستم ایمنی را تقویت می‌کند.

شصت و هشت بیمار مبتلا به بیماری کرون بر اساس وجود یا عدم وجود عود بعد از عمل در طی دو سال طبقه بندی شدند. محققان آنالیز بافت‌شناسی نمونه‌های جراحی را با استفاده از یادگیری عمیق EfficientNet-b5، یک مدل هوش مصنوعی تجاری موجود، انجام دادند. آنها به پیش بینی بسیار دقیق عود بعد از عمل (AUC=0.995) دست یافتند و تفاوت‌های مورفولوژیکی را در سلول‌های چربی بین دو گروه کشف کردند.

پژوهشگران ارشد دکتر Takahiro Matsui، دکتر Eiichi Morii، از دپارتمان آسیب شناسی، فارغ التحصیل دانشگاه Osaka، توضیح دادند: “بیشتر تجزیه و تحلیل تصاویر هیستوپاتولوژیک با استفاده از هوش مصنوعی در گذشته، تومورهای بدخیم را مورد هدف قرار داده است. هدف ما این بود که با تجزیه و تحلیل تصاویر هیستوپاتولوژی با استفاده از هوش مصنوعی، اطلاعات مفید بالینی برای طیف وسیع‌تری از بیماری‌ها به دست آوریم. ما روی بیماری کرون تمرکز کردیم که در آن عود بعد از عمل یک مشکل بالینی است.”

این تحقیق شامل 68 بیمار مبتلا به بیماری کرون بود که بین ژانویه 2007 و ژوئیه 2018 تحت رزکسیون روده قرار گرفتند. آن‌ها بر اساس اینکه آیا عود بیماری پس از عمل در طی دو سال پس از جراحی داشتند یا نه، به دو گروه تقسیم شدند. هر گروه به دو زیر گروه تقسیم شد، یکی برای آموزش و دیگری برای اعتبار سنجی یک مدل هوش مصنوعی.

کل تصاویر اسلاید نمونه‌های جراحی، برای وجود یا عدم عود بعد از جراحی برچسب گذاری شد و سپس با استفاده از EfficientNet-b5، یک مدل هوش مصنوعی تجاری موجود که برای انجام طبقه بندی تصاویر ساخته شده است، پردازش شدند. هنگامی که مدل با عکس‌های بدون برچسب آزمایش شد، یافته‌ها نشان داد که مدل یادگیری عمیق تصاویر بدون برچسب را بر اساس وجود یا عدم وجود بیماری طبقه‌بندی می‌کند.

پس از آن، نقشه‌های حرارتی پیش‌بینی برای شناسایی مناطق و ویژگی‌های بافت شناسی ایجاد شد که الگوریتم یادگیری ماشینی می‌تواند عود را به‌طور دقیق پیش‌بینی کند. تمام لایه‌های دیواره روده در عکس‌ها نشان داده شده است. نقشه‌های حرارتی نشان داد که الگوریتم یادگیری ماشین به درستی لایه بافت چربی را پیش بینی می‌کند. با این حال، مدل در مناطق دیگر، مانند لایه‌های مخاطی و ماهیچه‌ای مناسب، دقت کمتری داشت. تصاویر با بیشترین پیش‌بینی دقیق از مجموعه داده‌های عود گرفته شد. عکس‌هایی که بیشترین نتایج پیش‌بینی را داشتند، همگی بافت چربی داشتند.

از آنجایی که مدل یادگیری ماشینی پیش‌بینی‌های دقیقی از تصاویر بافت روده به دست آورد، محققان فرض کردند که مورفولوژی سلول‌های چربی روده بین گروه‌های عودکننده و غیرعود متفاوت است. سلول‌های چربی در گروه عود، اندازه سلولی به‌طور قابل‌توجهی کوچک‌تر، مسطح‌تر و فاصله بین سلولی کوچک‌تر نسبت به گروه بدون عود داشتند.

دکتر Matsui و دکتر Morii می‌گویند: “این ویژگی‌ها، که به عنوان انقباض سلول‌های چربی تعریف می‌شوند، ویژگی‌های بافت‌شناسی مهمی دارند که با عود بیماری کرون مرتبط هستند.”
محققان همچنین فرض کردند که تفاوت‌های مورفولوژی سلول چربی بین دو گروه با درجاتی یا نوع شرایط التهابی در بافت مرتبط است. آنها دریافتند که گروه عود کننده دارای تعداد قابل توجهی ماست سل‌های نفوذ کننده به بافت چربی روده بود که نشان می‌دهد سلول‌ها با عود بیماری کرون و پدیده “چربی سلولی” مرتبط هستند.