مدل هوش مصنوعی جدید MIT قادر به تشخیص زودهنگام سرطان پانکراس است

محققان بخش CSAIL دانشگاه MIT که بر مهندسی کامپیوتر و توسعه هوش مصنوعی تمرکز دارد، دو الگوریتم یادگیری ماشینی ساختند که می تواند سرطان پانکراس را در آستانه بالاتری نسبت به استانداردهای تشخیصی فعلی تشخیص دهد. این دو مدل با هم برای ایجاد شبکه عصبی “PRISM” شکل گرفتند. این برای تشخیص آدنوکارسینوم مجرای پانکراس (PDAC)، شایع ترین شکل سرطان پانکراس طراحی شده است.

معیارهای استاندارد غربالگری PDAC در حال حاضر حدود 10 درصد موارد را در بیمارانی که توسط متخصصان معاینه می شوند، تشخیص می دهد. در جهت مقایسه، PRISM MIT توانست موارد PDAC را در 35 درصد مواقع شناسایی کند. در حالی که استفاده از هوش مصنوعی در زمینه تشخیص یک شاهکار کاملاً جدید نیست، PRISM MIT به دلیل نحوه توسعه آن متمایز است.

شبکه عصبی بر اساس دسترسی به مجموعه های متنوعی از سوابق الکترونیکی واقعی سلامت از موسسات بهداشتی در سراسر آمریکا برنامه ریزی شده است. داده‌های بیش از 5 میلیون پرونده سلامت الکترونیکی بیمار، که به گفته محققان این تیم، از مقیاس اطلاعاتی که به یک مدل هوش مصنوعی در این حوزه تحقیقاتی خاص داده می‌شود، بهتر است.

کای جیا، نویسنده ارشد دکترای CSAIL MIT در این مقاله گفت:

این مدل از داده‌های بالینی و آزمایشگاهی معمولی برای پیش‌بینی‌های خود استفاده می‌کند و تنوع جمعیت آمریکا پیشرفت قابل‌توجهی نسبت به سایر مدل‌های PDAC است که معمولاً به مناطق جغرافیایی خاصی مانند چند مرکز مراقبت‌های بهداشتی در آمریکا محدود می‌شوند.

پروژه PRISM MIT بیش از شش سال پیش آغاز شد. انگیزه ایجاد الگوریتمی که بتواند PDAC را زود تشخیص دهد، ارتباط زیادی با این واقعیت دارد که اکثر بیماران در مراحل بعدی توسعه سرطان تشخیص داده می‌شوند – به ویژه حدود هشتاد درصد آنها خیلی دیر تشخیص داده می‌شوند. هوش مصنوعی با تجزیه و تحلیل جمعیت شناسی بیمار، تشخیص های قبلی، داروهای فعلی و قبلی در برنامه های مراقبتی و نتایج آزمایشگاهی کار می کند.

در مجموع، این مدل برای پیش‌بینی احتمال ابتلا به سرطان با تجزیه و تحلیل داده‌های پرونده سلامت الکترونیکی در کنار مواردی مانند سن بیمار و عوامل خطر خاص مشهود در سبک زندگی آنها کار می‌کند. با این حال، PRISM هنوز تنها قادر به تشخیص تعداد زیادی از بیماران با سرعتی است که هوش مصنوعی می تواند به توده ها برسد. در حال حاضر، این فناوری به آزمایشگاه‌های MIT و بیماران منتخب در آمریکا متصل است.

چالش لجستیکی مقیاس‌بندی هوش مصنوعی شامل تغذیه الگوریتم مجموعه‌های داده متنوع‌تر و شاید حتی پروفایل‌های سلامت جهانی برای افزایش دسترسی است. توسعه مداوم مدل‌های هوش مصنوعی که می‌توانند احتمال ابتلا به سرطان را پیش‌بینی کنند، نه تنها در صورت شناسایی زودتر بدخیمی، نتایج را برای بیماران بهبود می‌بخشد، بلکه بار کاری متخصصان پزشکی را که بیش از حد کار می‌کنند کاهش می‌دهد.

بازار هوش مصنوعی در تشخیص آنقدر آماده تغییر است که توجه شرکت های تجاری بزرگ فناوری مانند IBM را برانگیخته است، زیرا تلاش کردند یک برنامه هوش مصنوعی ایجاد کنند که بتواند سرطان سینه را یک سال قبل تشخیص دهد.