دقت بی‌سابقه هوش مصنوعی در تشخیص سرطان پروستات: پیشرفتی ۹۷ درصدی

سرطان پروستات: شیوع و اهمیت تشخیص زودهنگام

سرطان پروستات، یکی از شایع‌ترین بیماری‌ها در میان مردان، پس از سرطان ریه در رتبه دوم شیوع جهانی قرار دارد و حدود ۱۳.۵ درصد از موارد ابتلا به سرطان در مردان را شامل می‌شود. این بیماری که در غده پروستات (واقع در زیر مثانه و روبه‌روی روده بزرگ) شکل می‌گیرد، معمولاً به‌آرامی پیشرفت می‌کند و ممکن است تا سال‌ها بدون علامت باشد. با این حال، تشخیص دیرهنگام می‌تواند منجر به سرایت آن به سایر اندام‌ها شود.

برای درمان مؤثر، تشخیص به‌موقع و دقیق درجه شدت بیماری حیاتی است. آزمایش آنتی‌ژن اختصاصی پروستات (PSA) یکی از روش‌های اولیه است، اما برای تأیید نهایی و تعیین شدت بیماری، نمونه‌برداری از بافت پروستات و بررسی میکروسکوپی آن با استفاده از «درجه‌بندی گلیسون» ضروری است. این سیستم، با اختصاص عددی بین ۶ تا ۱۰ به بافت سرطانی، میزان خطرناک بودن سرطان را نشان می‌دهد.

پیشرفت هوش مصنوعی در تشخیص سرطان پروستات

در یک پژوهش پیشگامانه، سجاد محمدزاده، پژوهشگر دانشکده مهندسی برق و کامپیوتر دانشگاه بیرجند، به همراه دو همکار دیگر، رویکردی نوین برای تشخیص دقیق‌تر درجه بدخیمی سرطان پروستات در تصاویر میکروسکوپی ارائه داده‌اند. این مطالعه بر پایه ترکیب مدل‌های پیشرفته هوش مصنوعی، به‌ویژه شبکه‌های عصبی عمیق، استوار است که قادر به تشخیص الگوهای پیچیده در داده‌های تصویری هستند.

روش‌شناسی پژوهش: ترکیب شبکه‌های عصبی عمیق

پژوهشگران در این مطالعه، سه مدل مختلف از شبکه‌های یادگیری عمیق را با یکدیگر ترکیب کردند. این مدل‌ها ابتدا با استفاده از مجموعه‌ای از تصاویر آموزشی، آموزش دیدند و سپس برای تحلیل دقیق تصاویر پاتولوژی (تصاویر بافت زیر میکروسکوپ) به کار گرفته شدند. در مرحله آزمایشی، نتایج حاصل از این شبکه‌ها با دو روش «رأی‌گیری اکثریت» و «میانگین‌گیری» ترکیب شد تا تصمیم نهایی اتخاذ شود. این رویکرد ترکیبی، به طور چشمگیری خطای سیستم را کاهش داده و دقت آن را افزایش داد.

نتایج خیره‌کننده: دقت بیش از ۹۷ درصد

نتایج این پژوهش نشان داد که روش پیشنهادی با ترکیب سه شبکه عصبی، توانسته دقت تشخیص را به بیش از ۹۷ درصد برساند. به طور دقیق‌تر:

• در حالت استفاده از روش میانگین‌گیری، دقت تشخیص حدود ۹۷.۳۳ درصد به دست آمد.
• در حالت استفاده از روش رأی‌گیری اکثریت، دقت تشخیص حدود ۹۷.۲ درصد به دست آمد.

این میزان دقت، پیشرفت قابل توجهی نسبت به روش‌های قبلی محسوب می‌شود که اغلب دقتی پایین‌تر از ۹۳ درصد داشتند.

قابلیت دسته‌بندی پیشرفته

علاوه بر دقت بالا، این روش در دسته‌بندی تصاویر نیز بسیار مؤثر عمل کرده است. برخلاف بسیاری از پژوهش‌های پیشین که تنها تفاوت میان دو حالت «سالم» و «سرطانی» را تشخیص می‌دادند، این پژوهش توانسته تصاویر را به پنج دسته مختلف تقسیم کند که هر یک با درجات متفاوتی از بدخیمی مطابقت دارند. این قابلیت دسته‌بندی دقیق، به پزشکان کمک می‌کند تا تصمیم‌گیری‌های درمانی را با اطلاعات بسیار دقیق‌تری انجام دهند.

مزایای رویکرد ترکیبی و انتشار یافته‌ها

مقایسه این روش با رویکردهای پیشین نشان داد که ترکیب مدل‌ها در سطح تصمیم‌گیری (پس از طبقه‌بندی مستقل توسط هر شبکه) عملکرد بهتری نسبت به ترکیب در مراحل ابتدایی‌تر مانند استخراج ویژگی دارد. این رویکرد باعث می‌شود که نقاط ضعف هر مدل با تصمیم نهایی گروهی پوشش داده شود. همچنین، مشخص شد که شبکه‌های عصبی عمیق، در مقایسه با شبکه‌های ساده‌تر یا روش‌های آماری، قابلیت بیشتری برای تشخیص ویژگی‌های مهم بافت دارند.

این یافته‌های علمی-پژوهشی مهم در «فصلنامه رایانش نرم و فناوری اطلاعات»، که زیر نظر دانشگاه صنعتی نوشیروانی بابل فعالیت می‌کند و به انتشار پژوهش‌های نوین در زمینه فناوری اطلاعات و علوم رایانه اختصاص دارد، منتشر شده‌اند.