دستاورد محققان دانشگاه تهران: هوش مصنوعی برای تشخیص دقیق‌تر و پیش‌بینی بقای بیماران سرطانی

دستاورد برجسته در هوش مصنوعی و پزشکی

گروهی از محققان آزمایشگاه سیستم بیولوژی و بیوانفورماتیک دانشکده علوم مهندسی دانشگاه تهران، به سرپرستی دکتر علی مسعودی‌نژاد، استاد سیستم بیولوژی و بیوانفورماتیک، با همکاری پژوهشگرانی چون بهناز حاجی‌ملاحسینی، احمدرضا ایرانپور (دانشجوی دانشگاه اوترخت هلند) و سودا ایمانی (دانشجوی دانشگاه پازمانی مجارستان)، دو پژوهش علمی نوآورانه را به سرانجام رساندند.

این مطالعات که اهمیت به‌کارگیری مدل‌های هوش مصنوعی را در ارتقای دقت تحلیل داده‌های زیستی و پاتولوژیک نشان می‌دهند، به ترتیب در مجلات بین‌المللی انتشارات الزویر با ضریب تأثیر ۱۳ و ۶.۳ به چاپ رسیده‌اند.

این مطالعات بر به‌کارگیری مدل‌های هوش مصنوعی برای ارتقای دقت تحلیل داده‌های زیستی و پاتولوژیک تمرکز دارند.

پژوهش اول: چارچوبی نوین برای نرمال‌سازی داده‌ها

ارتقای دقت در تشخیص‌های کامپیوتری

در نخستین پژوهش، تمرکز بر رویه‌‌های نرمال‌سازی داده‌های پاتولوژی دیجیتال بود. محققان با مرور دقیق مطالعات پیشین، روش‌های موجود را در چهار گروه اصلی دسته‌بندی کردند:

• روش‌های مبتنی بر یادگیری عمیق (مانند GAN و autoencoder)
• روش‌های سنتی (مانند تطبیق هیستوگرام)
• مدل‌های ترکیبی
• روش جدید مبتنی بر پردازش سیگنال

نتایج این مطالعه بر اهمیت حفظ اطلاعات زیستی در فرآیند نرمال‌سازی و نقش حیاتی آن در افزایش دقت سیستم‌های تشخیص کامپیوتری تأکید دارد. همچنین، چارچوبی نوین برای مقایسه‌ی نظام‌مند میان روش‌های نرمال‌سازی ارائه شده است.

این چارچوب امکان ارزیابی عملکرد روش‌ها را در شرایط مختلف فراهم می‌سازد و می‌تواند به پژوهشگران و متخصصان پاتولوژی دیجیتال در انتخاب بهینه‌ترین روش متناسب با نوع داده و هدف پژوهش کمک کند.

پژوهش دوم: پیش‌بینی بقا در بیماران سرطان رحم

تحلیل داده‌های چنداُمیک با یادگیری عمیق

پژوهش دوم بر تحلیل داده‌های چنداُمیک (multi-omics) و به‌کارگیری مدل‌های یادگیری عمیق برای پیش‌بینی بقا در بیماران مبتلا به سرطان آندومتریوئید رحم متمرکز بود. در این تحقیق، داده‌های بیان ژن، متیلاسیون DNA و پروتئوم از پروژه‌ی TCGA-UCEC مورد بررسی قرار گرفت.

محققان یک خودرمزگذار (autoencoder) جدید با تابع هزینه‌ی اختصاصی طراحی کردند تا بتواند روابط غیرخطی پیچیده میان ویژگی‌های زیستی و میزان بقا را با دقت بیشتری شناسایی کند.

این رویکرد نه تنها اطلاعات مرتبط با بقا را دقیق‌تر از روش‌های معمول استخراج کرد، بلکه به شناسایی مسیر‌های مولکولی کلیدی نیز انجامید. مسیرهایی مانند مسیر ویتامین D و گیرنده گالانین شناسایی شدند که ارتباط مستقیمی با پیش‌آگهی بیماران دارند.

چشم‌انداز آینده

ادغام روش‌های یادگیری عمیق با تحلیل داده‌های زیستی و تصویری می‌تواند به درک عمیق‌تر از مکانیسم‌های مولکولی بیماری‌ها و توسعه راهکار‌های شخصی‌سازی‌شده درمانی منجر شود.