هوش مصنوعی در قطعه‌بندی و درجه‌بندی تومور مغزی با MRI

تصویربرداری تشدید مغناطیسی یا MRI یکی از ابزارهای اصلی برای شناسایی، قطعه‌بندی و ارزیابی درجه بافت‌شناختی تومورهای مغزی است. در سال‌های اخیر، یادگیری عمیق توانسته است تحلیل خودکار تصاویر MRI را به‌ویژه در تعیین نواحی مختلف تومور و کمک به ارزیابی گلیوما پیش ببرد.

این مرور نظام‌مند، مسیر تحول معماری‌های یادگیری عمیق از شبکه‌های عصبی کانولوشنی و گونه‌های U-Net تا ترنسفورمرهای بینایی و مدل‌های بنیادین را بررسی کرده است. یافته‌ها نشان می‌دهند که اگرچه عملکرد مدل‌ها در بنچمارک‌هایی مانند BraTS قابل توجه است، تعمیم‌پذیری در داده‌های مستقل، بازتولیدپذیری و اعتبارسنجی آینده‌نگر همچنان چالش‌های مهمی هستند.

خلاصه سریع

• این مرور نظام‌مند 140 مطالعه را بررسی کرد که شامل 117 مطالعه اولیه و 23 مرور زمینه‌ای بود.
• گونه‌های U-Net و معماری‌های ترکیبی CNN-ترنسفورمر بیشترین سهم را در مطالعات داشتند.
• در مجموعه BraTS 2021، مدل‌های nnU-Net و Swin UNETR به مقادیر گزارش‌شده Dice برابر با 0.93، 0.90 و 0.85 برای تومور کامل، هسته تومور و تومور تقویت‌شونده رسیدند.
• عملکرد گزارش‌شده مدل‌ها در مواجهه با تغییر دامنه داده، بین 2.5 تا 15 واحد درصد کاهش داشت.

موضوع این پژوهش چیست؟

هدف اصلی این پژوهش، بررسی نظام‌مند کاربرد یادگیری عمیق در دو وظیفه مهم تحلیل تومور مغزی بر اساس MRI بود: قطعه‌بندی نواحی تومور و درجه‌بندی یا طبقه‌بندی آن‌ها. قطعه‌بندی به تعیین دقیق محدوده تومور در تصویر کمک می‌کند و می‌تواند برای ارزیابی حجم، برنامه‌ریزی درمان و پایش بیماری اهمیت داشته باشد. درجه‌بندی نیز به برآورد ویژگی‌های بافت‌شناختی و شدت بیماری مربوط است.

اهمیت مطالعه از آنجا ناشی می‌شود که نتایج ظاهراً مطلوب مدل‌ها در یک مجموعه‌داده لزوماً به معنای عملکرد مشابه در بیمارستان‌ها، دستگاه‌های تصویربرداری یا جمعیت‌های دیگر نیست. بنابراین، ارزیابی قابلیت تعمیم و آمادگی برای ترجمه بالینی در کنار معیارهای عملکردی اهمیت دارد.

تعاریف ضروری

قطعه‌بندی تومور مغزی

قطعه‌بندی فرایند مشخص‌کردن پیکسل‌ها یا وکسل‌های متعلق به ناحیه تومور در تصویر پزشکی است. در مطالعات MRI مغز، این کار می‌تواند شامل جداسازی تومور کامل، هسته تومور و بخش تقویت‌شونده تومور باشد.

ضریب شباهت Dice

ضریب شباهت Dice یا DSC معیاری برای سنجش میزان هم‌پوشانی ناحیه پیش‌بینی‌شده توسط مدل با ناحیه مرجع است. مقدار بالاتر معمولاً نشان‌دهنده هم‌پوشانی بیشتر است، اما این معیار به‌تنهایی برای قضاوت درباره آمادگی بالینی یک مدل کافی نیست.

تغییر دامنه داده

تغییر دامنه زمانی رخ می‌دهد که داده‌های مورد استفاده برای ارزیابی مدل با داده‌های آموزش از نظر جمعیت، دستگاه تصویربرداری، پروتکل تصویربرداری یا ویژگی‌های بالینی تفاوت داشته باشند. این تفاوت می‌تواند باعث افت عملکرد مدل شود.

پژوهش چگونه انجام شد؟

پژوهش حاضر یک مرور نظام‌مند از پیش ثبت‌شده بود که بر اساس دستورالعمل‌های PRISMA 2020 و PRISMA-S انجام شد. جست‌وجو در Google Scholar، PubMed/MEDLINE و IEEE Xplore در 21 مه 2026 انجام گرفت و بازه مطالعات منتشرشده از ژانویه 2017 تا مه 2026 را پوشش داد.

در جست‌وجوی اولیه 33,982 رکورد به دست آمد. پس از حذف موارد تکراری و غربالگری، متن کامل 141 گزارش بررسی شد و در نهایت 140 مطالعه وارد سنتز نظام‌مند شدند؛ این مجموعه شامل 117 مطالعه اولیه و 23 مرور زمینه‌ای بود. از میان مطالعات اولیه، 39 مطالعه داده‌های کافی درباره معیار Dice در بنچمارک‌های BraTS ارائه کرده بودند و در تحلیل مقایسه‌ای مبتنی بر بنچمارک وارد شدند.

غربالگری، استخراج داده و ارزیابی با چارچوب سازگارشده QUADAS-AI توسط یک مرورگر انجام شد و بررسی‌های تکراری در روزهای جداگانه صورت گرفت. به دلیل ناهمگونی مطالعات، داده‌ها در قالب یک فراتحلیل آماری تجمیع نشدند و پژوهش به‌صورت یک مرور توصیفی و مقایسه‌ای مبتنی بر بنچمارک ارائه شد.

یافته‌های اصلی پژوهش

در میان 117 مطالعه اولیه، معماری‌های گونه U-Net با سهم 42 درصد و معماری‌های ترکیبی CNN-ترنسفورمر با سهم 40 درصد غالب بودند. پس از آن‌ها، طبقه‌بندهای CNN با 14 درصد و ترنسفورمرهای بینایی با 3 درصد قرار داشتند.

• در BraTS 2021، برای مدل‌های nnU-Net و Swin UNETR مقادیر DSC گزارش‌شده برای تومور کامل، هسته تومور و تومور تقویت‌شونده به‌ترتیب 0.93، 0.90 و 0.85 بود.
• ارزیابی‌های خارجی موجود، کاهش عملکردی در دامنه 2.5 تا 15 واحد درصد را هنگام تغییر دامنه داده نشان دادند.
• داده‌های BraTS بخش مهمی از ارزیابی‌های قطعه‌بندی را تشکیل می‌دادند، در حالی که مطالعات طبقه‌بندی از مجموعه‌داده‌های متنوع‌تر اما کوچک‌تر استفاده کرده بودند.
• مرور پژوهش‌ها نشان داد که اعتبارسنجی مستقل یا بین‌مجموعه‌داده‌ای، دسترسی به کد و استفاده از داده‌های عمومی در همه مطالعات به‌طور منظم گزارش نشده است.
• پژوهشگران نتیجه گرفتند که تعمیم‌پذیری خارجی، کمی‌سازی عدم‌قطعیت، بازتولیدپذیری و اعتبارسنجی آینده‌نگر همچنان ضعیف هستند.

این یافته‌ها در عمل چه معنایی دارند؟

نتایج نشان می‌دهد که یادگیری عمیق در تحلیل MRI تومورهای مغزی به سطح قابل توجهی از بلوغ پژوهشی رسیده است، اما عملکرد بالا در یک بنچمارک نباید به‌عنوان معادل عملکرد بالینی در همه محیط‌ها تفسیر شود. افت عملکرد در داده‌های خارج از دامنه آموزش، اهمیت آزمایش مدل‌ها را روی داده‌های مستقل و نزدیک به شرایط واقعی درمانی نشان می‌دهد.

از دیدگاه بالینی، چنین مدل‌هایی می‌توانند در آینده برای پشتیبانی از قطعه‌بندی، کاهش زمان تحلیل تصاویر و ایجاد خروجی‌های استانداردتر ظرفیت داشته باشند. با این حال، تصمیم‌گیری تشخیصی یا درمانی همچنان به ارزیابی متخصص و شواهد بالینی معتبر نیاز دارد.

نقش هوش مصنوعی در این موضوع

هوش مصنوعی در این پژوهش از طریق مدل‌های یادگیری عمیق برای تحلیل تصاویر MRI به کار رفته است. شبکه‌های CNN در استخراج الگوهای فضایی تصویر نقش دارند، در حالی که معماری‌های ترنسفورمری می‌توانند روابط گسترده‌تر میان بخش‌های مختلف تصویر را مدل‌سازی کنند. ترکیب این رویکردها در برخی مطالعات با هدف افزایش دقت قطعه‌بندی دنبال شده است.

با وجود این، عملکرد فنی تنها یکی از مؤلفه‌های ارزش یک سامانه هوش مصنوعی پزشکی است. توضیح‌پذیری، سنجش عدم‌قطعیت، دسترسی به کد و داده، مقاومت در برابر تغییرات جمعیتی و تصویربرداری و اعتبارسنجی آینده‌نگر نیز برای انتقال مدل از پژوهش به محیط بالینی اهمیت دارند.

محدودیت‌ها و نکات احتیاطی

ناهمگونی روش‌ها، مجموعه‌داده‌ها، تقسیم‌بندی داده‌ها، پیش‌پردازش‌ها و تعریف نواحی تومور، امکان مقایسه مستقیم و فراتحلیل آماری را محدود کرد. همچنین، بخشی از نتایج ارائه‌شده در قالب بهترین مقادیر گزارش‌شده در مطالعات مختلف است و نباید به‌عنوان رتبه‌بندی کنترل‌شده و هم‌سطح میان مدل‌ها تفسیر شود.

فرایند مرور توسط یک مرورگر انجام شد و متن ورودی جزئیات کامل همه محدودیت‌های روش‌شناختی را ارائه نمی‌کند. بنابراین، تفسیر نتایج و تعمیم آن‌ها به محیط‌های بالینی واقعی به مطالعات مستقل، اعتبارسنجی چندمرکزی و ارزیابی آینده‌نگر نیاز دارد.

سوالات متداول

این پژوهش چه نوع مطالعه‌ای است؟

این مقاله یک مرور نظام‌مند از مطالعات مربوط به قطعه‌بندی و درجه‌بندی تومور مغزی در MRI با استفاده از یادگیری عمیق است و به دلیل ناهمگونی داده‌ها، فراتحلیل آماری انجام نداده است.

کدام معماری‌های هوش مصنوعی بیشتر بررسی شده‌اند؟

گونه‌های U-Net و معماری‌های ترکیبی CNN-ترنسفورمر بیشترین سهم را در مطالعات مرورشده داشتند.

آیا عملکرد بالا در BraTS به معنای آمادگی بالینی مدل‌هاست؟

خیر. عملکرد در BraTS اطلاعات مهمی فراهم می‌کند، اما برای اثبات آمادگی بالینی به اعتبارسنجی مستقل، بررسی تغییر دامنه، ارزیابی عدم‌قطعیت و مطالعات آینده‌نگر نیاز است.

مهم‌ترین چالش باقی‌مانده چیست؟

بر اساس نتیجه‌گیری مقاله، تعمیم‌پذیری خارجی، بازتولیدپذیری، کمی‌سازی عدم‌قطعیت و اعتبارسنجی آینده‌نگر از مهم‌ترین چالش‌ها هستند.

درباره سانوس

سانوس با تمرکز بر رصد و تحلیل علمی فناوری‌های سلامت، کاربردهای هوش مصنوعی در تصویربرداری پزشکی و چالش‌های انتقال مدل‌های پژوهشی به محیط بالینی را برای پزشکان، پژوهشگران و علاقه‌مندان فناوری سلامت بررسی می‌کند.

منابع

• Almudaimeegh L. و همکاران. Brain Tumor Segmentation and Grading on MRI Using Deep Learning: A Systematic Literature Review and Benchmark-Driven Comparative Analysis. Diagnostics (Basel). 2026. منبع دسترسی: PubMed. DOI مقاله در متن ورودی مشخص نشده است. ثبت مرور نظام‌مند: OSF، DOI: 10.17605/OSF.IO/C2QA6.