ابزارهای هوش مصنوعی, پزشکی

تشخیص افتراقی سل ریوی و عفونت‌های مایکوباکتریایی غیرسلی با هوش مصنوعی و سی‌تی‌اسکن قفسه سینه

متخصص ریه در کنار ربات هوش مصنوعی در حال بررسی سی‌تی‌اسکن قفسه سینه و تحلیل افتراقی سل ریوی و بیماری‌های ریوی ناشی از مایکوباکتری‌های غیرسلی

خلاصه سریع مقاله

  • افتراق بیماری ریوی ناشی از مایکوباکتریوم توبرکلوزیس (MTB-LD) از بیماری ریوی ناشی از مایکوباکتری‌های غیرسلی (NTM-LD) در عمل بالینی دشوار است، چون علائم و یافته‌های تصویربرداری این دو بیماری هم‌پوشانی زیادی دارند.
  • پژوهشگران یک چارچوب یادگیری ماشین چندوجهی و قابل‌تفسیر طراحی کردند که داده‌های HRCT، علائم بالینی و مارکرهای آزمایشگاهی را با هم ترکیب می‌کند.
  • این مطالعه روی 102 بیمار با تشخیص میکروبیولوژیک قطعی انجام شد؛ شامل 53 بیمار MTB-LD و 49 بیمار NTM-LD.
  • در میان مدل‌های بررسی‌شده، Random Forest بهترین عملکرد را داشت و به AUC برابر با 0.92، حساسیت 0.89 و ویژگی 0.93 رسید.
  • این مدل می‌تواند به‌عنوان یک ابزار تصمیم‌یار اولیه در افتراق سریع‌تر این دو بیماری به کار رود، هرچند پیش از استفاده بالینی گسترده به اعتبارسنجی خارجی نیاز دارد.

تعریف اصطلاحات کلیدی عنوان

۱. سل ریوی (Pulmonary Tuberculosis / MTB-LD) چیست؟

سل ریوی نوعی عفونت ریه است که توسط Mycobacterium tuberculosis ایجاد می‌شود و همچنان یکی از مهم‌ترین بیماری‌های عفونی جهان به شمار می‌رود. این بیماری می‌تواند با سرفه مزمن، تب، کاهش وزن و ضایعات متنوع در تصویربرداری قفسه سینه همراه باشد.

۲. بیماری ریوی ناشی از مایکوباکتری‌های غیرسلی (NTM-LD) چیست؟

NTM-LD به عفونت‌های ریوی ناشی از گونه‌های مایکوباکتری غیر از عامل کلاسیک سل گفته می‌شود. این بیماری از نظر علائم، یافته‌های HRCT و حتی سیر بالینی می‌تواند شباهت زیادی به سل ریوی داشته باشد و همین موضوع تشخیص افتراقی را دشوار می‌کند.

۳. HRCT چیست؟

سی‌تی‌اسکن با وضوح بالا (High-Resolution Computed Tomography) یک روش تصویربرداری دقیق برای بررسی جزئیات پارانشیم ریه و راه‌های هوایی است. HRCT در بیماری‌های عفونی و بینابینی ریه کاربرد فراوان دارد.

۴. علامت Tree-in-bud به چه معناست؟

Tree-in-bud یک الگوی تصویربرداری در CT قفسه سینه است که معمولاً نمایانگر درگیری راه‌های هوایی کوچک و انتشار برونشیولی فرآیندهای عفونی است. این الگو در افتراق برخی بیماری‌های عفونی ریه، از جمله عفونت‌های مایکوباکتریایی، اهمیت دارد.

تشخیص افتراقی سل ریوی و NTM؛ مسئله‌ای بالینی با پیامدهای مهم

افتراق سل ریوی از بیماری ریوی ناشی از مایکوباکتری‌های غیرسلی یکی از چالش‌های مهم در پزشکی تنفسی و بیماری‌های عفونی است. هر دو بیماری می‌توانند با علائمی مانند سرفه، تب، ضعف، کاهش وزن و یافته‌های نسبتاً مشابه در تصویربرداری قفسه سینه بروز کنند. از طرف دیگر، روش‌های متداول مبتنی بر کشت میکروبی، اگرچه ارزش تشخیصی بالایی دارند، اما اغلب زمان‌بر هستند و پاسخ‌ آن‌ها با تأخیر به دست می‌رسد. این تأخیر می‌تواند شروع درمان مناسب را به عقب بیندازد.

در چنین شرایطی، استفاده از هوش مصنوعی و یادگیری ماشین برای تحلیل هم‌زمان داده‌های تصویربرداری و بالینی، می‌تواند مسیر تازه‌ای برای تصمیم‌گیری سریع‌تر و دقیق‌تر فراهم کند.

هدف این مطالعه چه بود؟

این پژوهش که در نشریه Frontiers in Medicine منتشر شده، با هدف توسعه یک مدل یادگیری ماشین چندوجهی انجام شد تا بتواند بین MTB-LD و NTM-LD تمایز ایجاد کند. نکته مهم در این مطالعه آن است که مدل صرفاً بر یک منبع داده تکیه ندارد، بلکه سه لایه اطلاعات را به‌صورت هم‌زمان در نظر می‌گیرد:

  • ویژگی‌های HRCT
  • علائم و داده‌های بالینی
  • مارکرهای هماتولوژیک و آزمایشگاهی

این رویکرد از نظر بالینی ارزشمند است، چون پزشک نیز در عمل دقیقاً بر پایه همین ترکیب اطلاعات تصمیم‌گیری می‌کند، نه صرفاً یک تصویر یا یک آزمایش مجزا.

طراحی مطالعه چگونه بود؟

این مطالعه به‌صورت گذشته‌نگر انجام شد و 102 بیمار با بیماری ریوی مایکوباکتریایی تأییدشده از نظر میکروبیولوژی را شامل می‌شد:

  • 53 بیمار مبتلا به MTB-LD
  • 49 بیمار مبتلا به NTM-LD

پژوهشگران برای ارزیابی قدرت تفکیک ویژگی‌های مختلف، سه الگوریتم شناخته‌شده را به کار بردند:

  • k-nearest neighbors (KNN)
  • Logistic Regression
  • Random Forest

هدف این بود که مشخص شود ترکیب داده‌های مختلف تا چه اندازه نسبت به مدل‌های تک‌وجهی، قدرت افتراقی را بهبود می‌دهد.

یافته‌های اصلی مطالعه چه بود؟

نتایج نشان داد که ادغام چندوجهی داده‌ها به‌وضوح از استفاده از هر مدالیته به‌تنهایی بهتر عمل می‌کند. به بیان دیگر، وقتی ویژگی‌های HRCT با علائم بالینی و شاخص‌های آزمایشگاهی ترکیب شدند، مدل توانست با دقت بیشتری بین سل ریوی و NTM-LD تمایز قائل شود.

در میان سه طبقه‌بند بررسی‌شده، Random Forest بهترین عملکرد را ثبت کرد:

  • AUC: 0.92
  • Sensitivity: 0.89
  • Specificity: 0.93
  • F1-score: 0.90

این اعداد نشان می‌دهند که مدل، هم در شناسایی درست بیماران مبتلا به یکی از دو بیماری و هم در کنار گذاشتن تشخیص اشتباه، عملکرد بسیار مناسبی داشته است.

کدام ویژگی‌ها بیشترین نقش را داشتند؟

از میان متغیرهای واردشده به مدل، چند ویژگی بیش از بقیه در پیش‌بینی نقش داشتند:

  • Cystic bronchiectasis
  • Tree-in-bud sign
  • تب
  • برخی بیومارکرهای آزمایشگاهی منتخب

این یافته از نظر بالینی هم قابل‌فهم است. برای مثال، برخی الگوهای راه هوایی در HRCT می‌توانند احتمال NTM را بیشتر مطرح کنند، در حالی که برخی تظاهرات سیستمیک یا آزمایشگاهی ممکن است تشخیص سل را تقویت کنند. مزیت مدل این است که این نشانه‌ها را به‌صورت ساختارمند و داده‌محور کنار هم قرار می‌دهد.

چرا این پژوهش مهم است؟

اهمیت این مقاله فقط در ارائه یک عدد AUC بالا خلاصه نمی‌شود. ارزش اصلی آن در این است که نشان می‌دهد داده‌های روتین و در دسترس بالینی، اگر به‌درستی یکپارچه شوند، می‌توانند به یک ابزار تصمیم‌یار قابل‌استفاده در محیط واقعی تبدیل شوند.

در بسیاری از مراکز درمانی، پزشک از همان ابتدا به HRCT، شرح حال بیمار و نتایج اولیه آزمایش‌ها دسترسی دارد. اگر مدلی بتواند از همین داده‌ها یک احتمال تشخیصی قابل‌اتکا تولید کند، می‌توان:

  • روند ارزیابی را سریع‌تر کرد
  • تصمیم‌گیری اولیه را هدفمندتر ساخت
  • و در برخی موارد، درخواست بررسی‌های تکمیلی را با دقت بیشتری اولویت‌بندی کرد

آیا این مدل آماده استفاده روزمره در بیمارستان است؟

نه به‌صورت کامل. خود نویسندگان نیز تأکید کرده‌اند که این چارچوب باید فعلاً به‌عنوان یک ابزار اکتشافی و تصمیم‌یار اولیه در نظر گرفته شود. دلیل این احتیاط روشن است:

  • حجم نمونه هنوز محدود است
  • مطالعه گذشته‌نگر بوده است
  • و اعتبارسنجی خارجی پیش از پیاده‌سازی گسترده بالینی ضروری است

بنابراین، این مدل قرار نیست جای تشخیص میکروبیولوژیک یا قضاوت پزشک را بگیرد؛ بلکه می‌تواند در مسیر پشتیبانی از تصمیم‌گیری بالینی نقش مکمل داشته باشد.

جمع‌بندی

این مطالعه نشان می‌دهد که یادگیری ماشین چندوجهی با ادغام سی‌تی‌اسکن قفسه سینه، داده‌های بالینی و مارکرهای آزمایشگاهی می‌تواند در افتراق سل ریوی از بیماری‌های ریوی ناشی از مایکوباکتری‌های غیرسلی عملکرد امیدوارکننده‌ای ارائه دهد. در میان الگوریتم‌های ارزیابی‌شده، Random Forest بهترین نتیجه را ثبت کرد و توانست به دقت افتراقی بالایی برسد.

اگر این رویکرد در مطالعات آینده و مجموعه‌های داده بزرگ‌تر نیز تأیید شود، می‌تواند به یکی از ابزارهای مهم تشخیص سریع‌تر، هدفمندتر و شخصی‌سازی‌شده‌تر در بیماری‌های عفونی ریه تبدیل شود.

درباره سانوس

سانوس مجموعه‌ای فعال در حوزه کاربردهای هوش مصنوعی در سلامت است و بر توسعه راهکارهایی تمرکز دارد که بتوانند از داده‌های واقعی بالینی، تصمیم‌گیری پزشکی را دقیق‌تر و سریع‌تر کنند. در موضوعی مانند افتراق سل ریوی از NTM-LD، ارزش هوش مصنوعی فقط در تحلیل تصویر خلاصه نمی‌شود؛ بلکه در یکپارچه‌سازی CT، علائم بیمار، نتایج آزمایشگاهی و الگوهای خطر معنا پیدا می‌کند. چنین رویکردی می‌تواند به ساخت سامانه‌های تصمیم‌یار برای متخصصان ریه، عفونی و رادیولوژی کمک کند؛ سامانه‌هایی که در غربالگری اولیه، اولویت‌بندی بیماران و کاهش تأخیر تشخیصی نقش عملی داشته باشند. سانوس این مسیر را بخشی از آینده سلامت دیجیتال می‌داند؛ آینده‌ای که در آن داده‌های پراکنده بالینی، به بینش قابل‌اقدام تبدیل می‌شوند.

سوالات متداول

۱. تفاوت سل ریوی و NTM-LD چیست؟

سل ریوی ناشی از Mycobacterium tuberculosis است، در حالی که NTM-LD به عفونت‌های ریوی ناشی از گونه‌های مایکوباکتری غیرسلی گفته می‌شود. این دو بیماری از نظر علائم و CT می‌توانند شبیه هم باشند، اما درمان و مسیر بالینی آن‌ها یکسان نیست.

۲. چرا افتراق این دو بیماری دشوار است؟

چون هر دو ممکن است با سرفه، تب، کاهش وزن و یافته‌های مشابه در HRCT بروز کنند. علاوه بر این، روش‌های قطعی مبتنی بر کشت معمولاً زمان‌بر هستند.

۳. مزیت مدل هوش مصنوعی این مطالعه چه بود؟

این مدل فقط به CT تکیه نکرد، بلکه داده‌های تصویربرداری، علائم بالینی و آزمایش‌های خون را با هم ترکیب کرد و به همین دلیل نسبت به رویکردهای تک‌وجهی عملکرد بهتری داشت.

۴. بهترین مدل در این مطالعه کدام بود؟

در میان سه الگوریتم بررسی‌شده، Random Forest بهترین عملکرد را ثبت کرد و به AUC برابر با 0.92 رسید.

۵. آیا این ابزار می‌تواند جایگزین تست‌های میکروبیولوژی شود؟

خیر. این مدل فعلاً یک ابزار تصمیم‌یار اولیه است و قرار نیست جای تشخیص قطعی میکروبیولوژیک را بگیرد. برای استفاده بالینی گسترده، به اعتبارسنجی بیشتر نیاز است.

منبع مقاله

Jin Y, Ding J, Ouyang J, et al. Precise discrimination of mycobacterial pulmonary diseases via multimodal machine learning integrating chest CT and clinical markers. Front Med (Lausanne). 2026;13:1858126. doi:10.3389/fmed.2026.1858126

برای مشاهده مقاله رو دکمه زیر کلیک کنید