این هوش مصنوعی جدید ظاهراً می‌تواند 13 سرطان کشنده را با دقت 98 درصد تشخیص دهد
به گزارش دیجیاتو، پژوهشی جدید نشان می‌دهد که پزشکان به‌زودی می‌توانند از هوش مصنوعی (AI) برای تشخیص سرطان در بیماران استفاده کنند و درمان زودهنگام را امکان‌پذیر سازند.
این مطالعه نشان می‌دهد که تشخیص و طبقه‌بندی سرطان با استفاده از روش‌های مبتنی بر متیلاسیون، زمینه‌ای در حال گسترش است که اکنون استفاده از هوش مصنوعی را در خود جای داده است.
مبارزه برای غلبه بر سرطان همچنان ادامه دارد زیرا این بیماری یکی از عوامل اصلی مرگ‌ومیر در جهان است. هر ساله 19 میلیون مورد ابتلا و 10 میلیون مرگ گزارش می‌شود که این آمار تشخیص در مراحل اولیه را ضروری می‌کند.
در این پژوهش آمده است:
«بیشتر سرطان‌ها در صورت تشخیص زودهنگام قابل درمان هستند.»
بااین‌حال، بیشتر سرطان‌ها در مراحل پیشرفته تشخیص داده می‌شوند، اما یک خط میانی مشترک بین بسیاری از آنها پدیده اپی‌ژنتیکی است که به نام متیلاسیون نابجای DNA شناخته می‌شود. این پدیده می‌تواند در زمینه پیش‌بینی ابتلا به سرطان قبل از شروع علائم آن، کمک کند.
به‌دلیل دشواری این کار، محققان از یادگیری ماشینی برای تشخیص تغییرات خاص سرطانی از متیلاسیون عادی در بافت‌ها استفاده کردند.
شناسایی نشانه‌های متیلاسیون DNA که نشان‌دهنده انواع مختلف سرطان است، به جستجوی سوزن در انبار کاه شباهت دارد.
به همین دلیل محققان دانشگاه کمبریج و کالج سلطنتی لندن به فناوری محاسبات سریع روی آوردند. آنها تغییراتی را در این علائم DNA در مراحل اولیه توسعه سرطان مشاهده کردند و «13 نوع سرطان مختلف را از بافت غیرسرطانی با دقت 98.2 درصد شناسایی کردند.»
بررسی نمونه بافت به جای قطعات DNA در تشخیص سرطان
آنها نمونه‌های بافت را به جای قطعات DNA در خون بررسی کردند که به نظر می‌رسد کلید موفقیت این پژوهش باشد. یکی از پژوهشگران این مطالعه می‌گوید: «ما نشان دادیم که مدل‌های XGBoost برای طبقه‌بندی بسیاری از انواع سرطان با استفاده از داده‌های متیلاسیون DNA به عنوان ورودی، مناسب هستند.»
آنها خاطرنشان می‌کنند که این مدل نیاز به آموزش و آزمایش بیشتری دارد. محققان تأکید دارند که «جنبه مهم این مطالعه استفاده از یک مدل اصلی هوش مصنوعی قابل توضیح و تفسیر بود.»
آنها ادعا می‌کنند که این مدل می‌تواند به پزشکی در درک «مکانیسم‌های اساسی که در ایجاد سرطان نقش دارند» کمک کند.
این پژوهش در ژورنال «Biology Methods & Protocols» دانشگاه آکسفورد به چاپ رسیده است.
