پزشکی, هوش مصنوعی سلامت

هوش مصنوعی در پایش کولونوسکوپی ؛ افزایش تشخیص آدنوم؟

هوش مصنوعی در کولونوسکوپی

هوش مصنوعی در کولونوسکوپی طی سال‌های اخیر به‌عنوان ابزاری برای کمک به شناسایی ضایعات پیش‌سرطانی روده بزرگ بررسی شده است. بااین‌حال، ارزش این فناوری در کولونوسکوپی‌های پایشی پس از برداشتن پولیپ هنوز به‌طور کامل روشن نیست.

مطالعه تصادفی‌سازی‌شده و چندمرکزی GENIAL-CO Follow-Up در ایتالیا نشان داد که استفاده از سامانه تشخیص به کمک رایانه یا CADe در جمعیت تحت پایش، میزان تشخیص آدنوم یا ضایعات پیشرفته را به‌طور معناداری افزایش نداد؛ هرچند تعداد آدنوم‌های شناسایی‌شده به ازای هر کولونوسکوپی بیشتر بود و زمان برداشت کولونوسکوپ افزایش یافت.

خلاصه سریع

  • این مطالعه اثربخشی هوش مصنوعی در کولونوسکوپی پایشی پس از پولیپ‌برداری را بررسی کرد.
  • میزان تشخیص آدنوم و آدنوم پیشرفته بین کولونوسکوپی با CADe و روش استاندارد تفاوت معناداری نداشت.
  • تعداد آدنوم به ازای هر کولونوسکوپی در گروه CADe بیشتر بود.
  • استفاده از CADe با افزایش معنادار زمان برداشت کولونوسکوپ همراه شد.

موضوع این پژوهش چیست؟

کولونوسکوپی پایشی برای افرادی انجام می‌شود که پیش‌تر پولیپ یا ضایعه‌ای در روده بزرگ داشته‌اند و به بررسی‌های دوره‌ای نیاز دارند. در این شرایط، شناسایی دقیق ضایعات پیش‌سرطانی اهمیت دارد؛ زیرا برخی از این ضایعات می‌توانند در مسیر ایجاد سرطان کولورکتال نقش داشته باشند.

سامانه‌های تشخیص به کمک رایانه در کولونوسکوپی، تصاویر دریافتی را به‌صورت بلادرنگ تحلیل می‌کنند و ممکن است به آندوسکوپیست در مشاهده ضایعات کمک کنند. بیشتر شواهد پیشین درباره افزایش نرخ تشخیص آدنوم در جمعیت‌های غربالگری اولیه به‌دست آمده بود، اما مشخص نبود که این مزیت در کولونوسکوپی پایشی نیز تکرار می‌شود یا خیر.

تعاریف ضروری

تشخیص به کمک رایانه در کولونوسکوپی چیست؟

تشخیص به کمک رایانه یا CADe سامانه‌ای مبتنی بر تحلیل رایانه‌ای تصاویر آندوسکوپی است که برای برجسته‌کردن نواحی مشکوک به پولیپ یا ضایعه پیش‌سرطانی به کار می‌رود. این فناوری ابزار کمکی است و جایگزین قضاوت و تصمیم‌گیری متخصص نمی‌شود.

نرخ تشخیص آدنوم چیست؟

نرخ تشخیص آدنوم یا ADR، نسبت کولونوسکوپی‌هایی است که در آن‌ها دست‌کم یک آدنوم شناسایی شده است. آدنوم‌ها از مهم‌ترین ضایعات پیش‌سرطانی روده بزرگ به شمار می‌روند.

پژوهش چگونه انجام شد؟

این پژوهش یک کارآزمایی تصادفی‌سازی‌شده و چندمرکزی بود. بیماران ۵۰ تا ۷۴ ساله که برای کولونوسکوپی پایشی در چارچوب برنامه سازمان‌یافته غربالگری سرطان کولورکتال در ایتالیا برنامه‌ریزی شده بودند، به‌صورت تصادفی در دو گروه قرار گرفتند: کولونوسکوپی با کمک CADe و کولونوسکوپی استاندارد.

در مجموع ۹۷۳ بیمار وارد مطالعه شدند. پس از کنار گذاشتن ۵۹ بیمار به دلیل آماده‌سازی ناکافی روده، داده‌های ۹۱۴ بیمار تحلیل شد؛ ۴۵۵ نفر در گروه CADe و ۴۵۹ نفر در گروه کولونوسکوپی استاندارد قرار داشتند. پیامد اصلی، نرخ تشخیص آدنوم بود. پیامدهای ثانویه شامل نرخ تشخیص آدنوم پیشرفته، تعداد آدنوم به ازای هر کولونوسکوپی، نرخ تشخیص ضایعات دندانه‌دار بدون پایه و زمان برداشت کولونوسکوپ بود.

یافته‌های اصلی پژوهش

نتایج نشان داد که تفاوت نرخ تشخیص آدنوم بین دو گروه از نظر آماری معنادار نبود. این نرخ در گروه CADe برابر با ۶۶٫۶ درصد و در گروه استاندارد ۶۱ درصد بود؛ مقدار p برابر با ۰٫۱۶۰ گزارش شد.

  • نرخ تشخیص آدنوم پیشرفته در گروه CADe برابر با ۷٫۳ درصد و در گروه استاندارد ۶٫۳ درصد بود؛ این تفاوت معنادار نبود.
  • تعداد آدنوم به ازای هر کولونوسکوپی در گروه CADe به‌طور معناداری بیشتر بود: ۱٫۸۰ در برابر ۱٫۳۲، با p کمتر از ۰٫۰۰۱.
  • نرخ تشخیص ضایعات دندانه‌دار بدون پایه بین دو گروه تفاوت معناداری نداشت: ۱۷٫۱ درصد در برابر ۱۴٫۲ درصد.
  • میانگین زمان برداشت کولونوسکوپ در گروه CADe بیشتر بود: ۱۶٫۳۵ دقیقه در برابر ۱۴٫۵۲ دقیقه، با p کمتر از ۰٫۰۰۱.

این یافته‌ها در عمل چه معنایی دارند؟

یافته‌ها نشان می‌دهند که در جمعیت مورد بررسی، استفاده از CADe الزاماً به افزایش معنادار تعداد کولونوسکوپی‌هایی که حداقل یک آدنوم در آن‌ها شناسایی می‌شود، منجر نشده است. بااین‌حال، افزایش تعداد آدنوم‌های شناسایی‌شده به ازای هر کولونوسکوپی می‌تواند نشان دهد که این سامانه در برخی موارد به شناسایی چندین ضایعه در یک بیمار کمک کرده است.

از سوی دیگر، طولانی‌ترشدن زمان برداشت کولونوسکوپ نکته‌ای مهم برای برنامه‌ریزی خدمات آندوسکوپی است. بنابراین، ارزیابی ارزش واقعی CADe باید علاوه بر شاخص‌های تشخیصی، زمان انجام کار، جریان کاری، آموزش کاربران و پیامدهای بلندمدت بیماران را نیز در نظر بگیرد.

نقش هوش مصنوعی در این موضوع

در این مطالعه، هوش مصنوعی در قالب سامانه تشخیص به کمک رایانه برای تحلیل تصاویر کولونوسکوپی به کار رفت. هدف CADe کمک به شناسایی ضایعات قابل مشاهده در زمان انجام آندوسکوپی بود، نه جایگزین‌کردن متخصص گوارش.

نتایج این کارآزمایی نشان می‌دهد که عملکرد هوش مصنوعی ممکن است به زمینه استفاده وابسته باشد. سامانه‌ای که در غربالگری اولیه سرطان کولورکتال مزیت نشان می‌دهد، لزوماً در کولونوسکوپی پایشی همان اثر را ندارد. این موضوع اهمیت ارزیابی فناوری‌های هوش مصنوعی در جمعیت‌ها و سناریوهای بالینی متفاوت را برجسته می‌کند.

محدودیت‌ها و نکات احتیاطی

چکیده مقاله جزئیات کاملی درباره همه محدودیت‌های مطالعه ارائه نمی‌کند. همچنین، نتایج این پژوهش به جمعیت مورد بررسی در برنامه سازمان‌یافته غربالگری سرطان کولورکتال و کولونوسکوپی‌های پایشی مربوط است و نباید بدون ارزیابی بیشتر به همه محیط‌های بالینی تعمیم داده شود. برای تعیین اثر واقعی CADe بر پیامدهای بلندمدت، انجام مطالعات مستقل و بررسی‌های بیشتر ضروری است.

سوالات متداول

آیا هوش مصنوعی نرخ تشخیص آدنوم را در این مطالعه افزایش داد؟

خیر. نرخ تشخیص آدنوم در گروه CADe بیشتر بود، اما این تفاوت از نظر آماری معنادار نبود.

مهم‌ترین مزیت مشاهده‌شده CADe چه بود؟

تعداد آدنوم‌های شناسایی‌شده به ازای هر کولونوسکوپی در گروه CADe به‌طور معناداری بیشتر بود.

آیا استفاده از CADe زمان کولونوسکوپی را کاهش داد؟

خیر. میانگین زمان برداشت کولونوسکوپ در گروه CADe به‌طور معناداری بیشتر بود.

آیا این نتایج به معنای بی‌فایده‌بودن هوش مصنوعی در کولونوسکوپی است؟

خیر. این مطالعه فقط نشان می‌دهد که در سناریوی کولونوسکوپی پایشی بررسی‌شده، CADe نرخ تشخیص آدنوم را به‌طور معناداری افزایش نداد. کاربرد این فناوری ممکن است به جمعیت بیمار، نوع برنامه غربالگری و شرایط استفاده وابسته باشد.

درباره سانوس

سانوس با تمرکز بر رصد و تحلیل علمی فناوری‌های سلامت، پزشکی و هوش مصنوعی، تلاش می‌کند یافته‌های پژوهشی را با زبانی دقیق و قابل‌فهم در اختیار پزشکان، پژوهشگران و مخاطبان آگاه فارسی‌زبان قرار دهد.

منابع

  • Spada C, Cesaro P, Fuccio L و همکاران. Efficacy of artificial intelligence in detecting precancerous lesions among a colorectal cancer screening population undergoing surveillance colonoscopies in Italy: a randomized control trial (GENIAL-CO Follow-Up study). Digestive and Liver Disease. 2026. DOI: 10.1016/j.dld.2026.08.031. PMID: 42838765.

برای مشاهده مقاله رو دکمه زیر کلیک کنید

لینک های مفید