روش نوین پیش‌بینی سرطان

هوش مصنوعی(AI) می‌تواند مقادیر زیادی از داده‌ها از جمله تصاویر یا نتایج آزمایش‌ها را تجزیه و تحلیل کند و الگوهایی را که اغلب توسط انسان غیرقابل شناسایی هستند، تشخیص دهد. به همین دلیل می‌تواند برای تسریع تشخیص و درمان بیماری‌ها بسیار ارزشمند باشد. با این حال، استفاده از این فناوری در محیط‌های پزشکی به دلیل خطر انتشار تصادفی داده‌ها بحث برانگیز بوده و علاوه بر آن بسیاری از این سیستم‌ها تحت مالکیت و کنترل شرکت‌های خصوصی هستند که به آنها امکان دسترسی به اطلاعات محرمانه بیمار را می‌دهد و مسئولیت حفاظت از این داده‌ها نیز بر عهده‌ی آنها است.

محققان می‌خواستند بفهمند که آیا نوعی از هوش مصنوعی به نام "یادگیری ازدحامی"(swarm learning) می‌تواند به رایانه‌ها در پیش‌بینی سرطان در تصاویر پزشکی نمونه‌های بافت بیمار کمک کند، بدون آنکه این اطلاعات از بیمارستان‌ها به بیرون درز کند یا خیر. "یادگیری ازدحامی" الگوریتم‌های هوش مصنوعی را برای تشخیص الگوهای موجود در داده‌های یک بیمارستان یا دانشگاه محلی مانند تغییرات ژنتیکی در تصاویر ثبت شده از بافت‌های انسان، آموزش می‌دهد. سپس سیستم یادگیری ازدحامی، این الگوریتم تازه آموزش دیده را بدون آنکه حاوی اطلاعات بیمار باشد، به یک رایانه‌ی مرکزی می‌فرستد. این الگوریتم در آنجا با دیگر الگوریتم‌های تولید شده با روشی یکسان توسط سایر بیمارستان‌ها ترکیب و یک الگوریتم بهینه ایجاد می‌کند. سپس این الگوریتم به بیمارستان محلی اولیه فرستاده می‌شود و بار دیگر بر روی داده‌های اصلی اعمال شده و به لطف قابلیت‌های تشخیصی حساس‌تر، تغییرات ژنتیکی را بهتر تشخیص می‌دهد. با چندین بار انجام این کار، می‌توان الگوریتم را بهبود بخشید و الگوریتمی ایجاد کرد که روی همه‌ی مجموعه داده‌ها کار کند. این بدان معناست که این روش را می‌توان بدون نیاز به ارسال هیچ‌گونه داده‌ای برای شرکت ثالث یا ارسال داده بین بیمارستان‌ها یا فراتر از مرزهای بین‌المللی به کار برد.

محققان الگوریتم‌های هوش مصنوعی را با استفاده از داده‌های مربوط به سه گروه از بیماران در ایرلند شمالی، آلمان و ایالات متحده آمریکا آموزش دادند. الگوریتم‌ها بر روی دو مجموعه بزرگ از داده‌های تصویری تولید شده در دانشگاه لیدز آزمایش شدند و مشخص شد که این الگوریتم‌ها با موفقیت آموخته‌اند که چگونه وجود انواع مختلف سرطان را در تصاویر پیش‌بینی کنند. این تحقیق توسط "جاکوب نیکولاس کاتر"(Jakob Nikolas Kather)، دانشیار مدعو در دانشکده پزشکی دانشگاه لیدز و محقق بیمارستان دانشگاهی "راینیش-وستفلیشه آخِن"(RWTH Aachen) رهبری شد. این تیم شامل پروفسور "هایک گرابش"(Heike Grabsch) و "فیل کویرک"(Phil Quirke) و دکتر "نیک وست"(Nick West) از دانشکده پزشکی دانشگاه لیدز بود.

دکتر کاتر می‌گوید: بر اساس داده‌های بیش از ۵۰۰۰ بیمار، ما توانستیم نشان دهیم که مدل‌های آموزش دیده‌ی هوش مصنوعی با یادگیری ازدحامی می‌توانند تغییرات ژنتیکی مرتبط بالینی را به طور مستقیم در تصاویر بافت تومورهای روده بزرگ پیش‌بینی کنند.

فیل کویرک، پروفسور آسیب‌شناسی در دانشکده پزشکی دانشگاه لیدز، می‌گوید: ما نشان داده‌ایم که یادگیری ازدحامی می‌تواند در پزشکی برای آموزش الگوریتم‌های هوش مصنوعی مستقل برای تجزیه و تحلیل هر نوع تصویری مورد استفاده قرار گیرد. این بدان معنا است که می‌توان بر نیاز به انتقال داده‌ها فائق آمد.