تشخیص زودهنگام سرطان معده با هوش مصنوعی علی بابا: تحول بزرگ در غربالگری با مدل GRAPE

.مقدمه

سرطان معده یکی از شایع‌ترین و مرگبارترین سرطان‌ها در سطح جهان است، به‌ویژه در کشورهای آسیایی مانند چین و ژاپن. از آنجایی که علائم این بیماری اغلب در مراحل پیشرفته بروز می‌یابند، شناسایی زودهنگام آن به‌شدت دشوار است و همین موضوع یکی از دلایل اصلی نرخ بالای مرگ‌ومیر در بیماران مبتلاست. در حال حاضر، آندوسکوپی بهترین روش تشخیصی برای کشف مراحل اولیه بیماری به شمار می‌رود، اما به دلیل ماهیت تهاجمی و هزینه بالا، نمی‌توان آن را برای غربالگری عمومی جمعیت به کار گرفت.

.معرفی مدل GRAPE

در این مطالعه، پژوهشگران یک سیستم هوش مصنوعی به نام GRAPE (Gastric cancer Risk Assessment via abdominal Plain CT using deep lEarning طراحی کرده‌اند. این سامانه بر پایه تصاویر CT اسکن ساده شکمی بدون استفاده از ماده حاجب کار می‌کند و هدف آن شناسایی زودهنگام بیماران در معرض خطر بالای سرطان معده است. نکته قابل‌توجه این است که این نوع اسکن در بسیاری از مراکز درمانی به‌صورت روتین انجام می‌شود و GRAPE می‌تواند به‌عنوان ابزاری غیرتهاجمی و مقرون‌به‌صرفه برای غربالگری اولیه مورد استفاده قرار گیرد.

.روش تحقیق 

پژوهشگران برای آموزش مدل، از تصاویر CT اسکن شکمی بیش از ۳,۴۰۰ بیمار مبتلا به سرطان معده و ۳,۲۵۰ فرد فاقد سرطان استفاده کردند. این داده‌ها از دو بیمارستان بزرگ در چین استخراج شد. پس از آموزش اولیه، مدل بر روی داده‌های مستقل (۱,۲۹۸ بیمار) آزمایش شد تا عملکرد اولیه آن سنجیده شود.

در ادامه، یک مطالعه اعتبارسنجی گسترده بر روی ۱۸,۱۶۰ بیمار از ۱۶ مرکز مختلف انجام شد تا کارایی مدل در شرایط واقعی (داده‌های دنیای واقعی و بیماران متنوع‌تر) نیز ارزیابی گردد.

. نتایج مدل

نتایج نشان دادند که GRAPE از دقت بالایی برخوردار است. در مرحله اعتبارسنجی داخلی، این مدل به AUC (مساحت زیر منحنی ROC) برابر ۰.۹۷ دست یافت، در حالی که حساسیت و ویژگی آن به‌ترتیب ۸۵.۱٪ و ۹۶.۸٪ بود. در آزمایش‌های خارجی، عملکرد مدل همچنان بالا باقی ماند و AUC معادل ۰.۹۲۷ به ثبت رسید.

این عملکرد در مقایسه با پزشکان انسانی (۱۳ رادیولوژیست باتجربه) نیز برتری داشت. عملکرد فردی رادیولوژیست‌ها با AUC بین ۰.۷۶ تا ۰.۸۵ ارزیابی شد، اما هنگامی که این پزشکان از خروجی مدل استفاده کردند، میزان دقت آن‌ها به‌طور چشمگیری افزایش یافت.

.آزمایش در شرایط واقعی

در یکی از جالب‌ترین بخش‌های مطالعه، پژوهشگران سامانه GRAPE را در سه مرکز درمانی چینی اجرا کردند: دو بیمارستان عمومی و یک مرکز تخصصی سرطان. در این مراکز، از سال ۲۰۱۸ تا ۲۰۲۴، بیش از ۷۸,۰۰۰ تصویر CT شکمی بدون ماده حاجب مورد تحلیل قرار گرفت.

در این فرآیند، GRAPE موفق شد ۱۱ بیمار را شناسایی کند که کاملاً بدون علامت بودند اما پس از بررسی‌های بیشتر، در مراحل اولیه سرطان معده تشخیص داده شدند. حتی در برخی موارد، مدل توانست شواهدی از سرطان را تا شش ماه پیش از تشخیص بالینی رسمی تشخیص دهد.

.تفسیرپذیری مدل

یکی از ویژگی‌های مهم GRAPE، قابلیت تفسیر آن است. برخلاف بسیاری از مدل‌های هوش مصنوعی که به‌عنوان "جعبه سیاه" شناخته می‌شوند، این مدل می‌تواند نواحی خاصی از تصویر را که به‌عنوان عوامل خطر شناسایی می‌کند، به پزشک نشان دهد. این ویژگی امکان همکاری بهتر انسان و ماشین را فراهم کرده و اعتماد پزشکان به مدل را افزایش می‌دهد.

.محدودیت‌ها و چالش‌ها

اگرچه نتایج این پژوهش بسیار امیدوارکننده است، اما چالش‌هایی نیز وجود دارد. اول اینکه داده‌های آموزشی عمدتاً از جمعیت چینی استخراج شده‌اند، بنابراین تعمیم‌پذیری مدل به سایر گروه‌های نژادی یا جغرافیایی هنوز نیاز به ارزیابی دارد. همچنین، تشخیص مراحل بسیار ابتدایی سرطان (EGC) ممکن است نیاز به دقت بالاتری داشته باشد که در برخی موارد، GRAPE هنوز با آن فاصله دارد.

. اعتبارسنجی داخلی و نتایج

سامانه GRAPE یک گام بزرگ به‌سوی تشخیص زودهنگام و کم‌هزینه سرطان معده محسوب می‌شود. این مدل با اتکا به داده‌های موجود و بدون نیاز به آزمایش‌های تهاجمی، می‌تواند در فرآیند غربالگری جمعیتی نقشی کلیدی ایفا کند. همچنین، تفسیرپذیری مدل و قابلیت ادغام با روند تصمیم‌گیری بالینی، از آن ابزاری قدرتمند در کنار پزشکان ساخته است.