پزشکی, هوش مصنوعی سلامت

هوش مصنوعی در تصویربرداری تومور مغزی بدون ماده حاجب

هوش مصنوعی در تصویربرداری تومور مغزی

تصویربرداری ام‌آر‌آی مغز برای ارزیابی تومورها معمولاً به تصاویر پیش و پس از تزریق ماده حاجب گادولینیوم نیاز دارد. با این حال، استفاده از ماده حاجب همیشه مطلوب نیست؛ به‌ویژه در بیمارانی که به تصویربرداری‌های پی‌درپی نیاز دارند، دچار اختلال عملکرد کلیه یا حساسیت هستند، یا در گروه سنی کودکان قرار می‌گیرند.

پژوهشی چندمرکزی و گذشته‌نگر در مجله The Lancet medical imaging & theranostics نشان داده است که مدل‌های یادگیری عمیق می‌توانند بر اساس تصاویر ام‌آر‌آی بدون ماده حاجب، احتمال وجود نواحی تقویت‌شونده تومور مغزی را پیش‌بینی و این نواحی را قطعه‌بندی کنند. این یافته می‌تواند زمینه‌ساز استفاده از هوش مصنوعی در تصویربرداری تومور مغزی به‌عنوان ابزار غربالگری یا پشتیبان تصمیم‌گیری باشد؛ هرچند جایگزین قضاوت رادیولوژیست و تصویربرداری استاندارد نیست.

خلاصه سریع

  • هدف مطالعه، پیش‌بینی تقویت تومور مغزی از تصاویر ام‌آر‌آی بدون ماده حاجب بود.
  • داده‌های ۱۱٬۰۸۹ مطالعه ام‌آر‌آی از ۱۰ مجموعه‌داده در چهار کشور بررسی شد.
  • بهترین مدل، nnU-Net، برای شناسایی تقویت تومور به دقت متوازن ۸۳ درصد رسید.
  • عملکرد مدل در سطح بیمار از رأی اکثریت رادیولوژیست‌ها در شرایط مطالعه بالاتر بود.
  • مدل در موارد کودکان عملکرد ضعیف‌تری نشان داد و برای کاربرد بالینی به ارزیابی‌های بیشتر نیاز دارد.

موضوع این پژوهش چیست؟

در بسیاری از ارزیابی‌های تومور مغزی، مقایسه تصاویر ام‌آر‌آی پیش از تزریق و پس از تزریق گادولینیوم به شناسایی بافت تقویت‌شونده کمک می‌کند. این الگو می‌تواند در ارزیابی تومورهایی مانند گلیوما، مننژیوم و متاستازها اهمیت داشته باشد.

با وجود کاربرد تشخیصی ماده حاجب، کاهش وابستگی به گادولینیوم در برخی موقعیت‌ها اهمیت دارد؛ از جمله در پیگیری‌های مکرر، بیماران مبتلا به اختلال عملکرد کلیه، افراد دارای حساسیت و کودکان. پژوهش حاضر بررسی کرد که آیا مدل‌های یادگیری عمیق می‌توانند تنها با استفاده از توالی‌های بدون ماده حاجب، وجود و حجم نواحی تقویت‌شونده تومور را تخمین بزنند.

تعاریف ضروری

ام‌آر‌آی بدون ماده حاجب

تصویربرداری تشدید مغناطیسی بدون ماده حاجب، تصاویری از مغز را با استفاده از توالی‌های مغناطیسی مانند T1، T2 و FLAIR تولید می‌کند، بدون آنکه ماده حاجب داخل وریدی به بیمار تزریق شود.

تقویت تومور

تقویت تومور به افزایش سیگنال یا برجسته‌شدن بخشی از ضایعه پس از تزریق ماده حاجب گفته می‌شود. این الگو در تفسیر تصاویر تومورهای مغزی و ارزیابی وضعیت آن‌ها مورد توجه قرار می‌گیرد.

قطعه‌بندی پزشکی

قطعه‌بندی پزشکی فرایند مشخص‌کردن دقیق محدوده یک بافت یا ضایعه در تصویر است. در این مطالعه، مدل‌ها تلاش کردند بافت تقویت‌شونده تومور را در سطح وکسل شناسایی کنند.

پژوهش چگونه انجام شد؟

این مطالعه به‌صورت چندمرکزی و گذشته‌نگر انجام شد و ۱۱٬۰۸۹ مطالعه ام‌آر‌آی مغز را که در فاصله سال‌های ۲۰۰۶ تا ۲۰۲۴ به‌دست آمده بودند، از ۱۰ مجموعه‌داده در بریتانیا، ایالات متحده آمریکا، هلند و نیجریه بررسی کرد. داده‌ها جمعیت‌های بزرگسال و کودک را دربرمی‌گرفتند و شامل موارد گلیوما، مننژیوم، متاستاز و تصاویر پیش و پس از درمان بودند.

سه معماری یادگیری عمیق شامل nnU-Net، SegResNet و SwinUNETR با استفاده از توالی‌های T1، T2 و T2/FLAIR آموزش داده شدند. ارزیابی در یک مجموعه آزمون مستقل شامل ۱٬۱۰۹ مطالعه انجام شد. شاخص اصلی، شناسایی تقویت تومور در سطح بیمار بود و امتیاز Dice برای ارزیابی قطعه‌بندی در سطح وکسل به‌عنوان شاخص ثانویه به‌کار رفت.

همچنین ۱۱ رادیولوژیست خبره، در شرایطی که از سابقه بالینی، تصاویر قبلی و علت ارجاع بی‌اطلاع بودند، همین وظیفه را در زیرمجموعه‌ای شامل ۵۶۴ مورد انجام دادند. هر رادیولوژیست ۱۰۰ مورد را بررسی کرد.

یافته‌های اصلی پژوهش

مدل nnU-Net بهترین عملکرد را در میان مدل‌های بررسی‌شده داشت. این مدل توانست تقویت تومور را با دقت متوازن ۸۳ درصد شناسایی کند. حساسیت مدل ۹۱٫۵ درصد و ویژگی آن ۷۴٫۴ درصد بود. همچنین رابطه میان حجم تقویت‌شونده پیش‌بینی‌شده و مقدار واقعی با R² برابر با ۰٫۸۵۹ گزارش شد.

  • از میان ۹۹۲ مورد تقویت‌شونده، ۷۶۲ مورد، معادل ۷۷ درصد، امتیاز Dice حداقل ۰٫۳ داشتند.
  • ۶۷۰ مورد، معادل ۶۸ درصد، به امتیاز Dice حداقل ۰٫۵ رسیدند.
  • ۴۹۸ مورد، معادل ۵۰ درصد، امتیاز Dice حداقل ۰٫۷ داشتند.
  • عملکرد رأی اکثریت رادیولوژیست‌ها در ۵۶۴ مورد مشابه، دقت متوازن ۷۱٫۷ درصد، حساسیت ۷۷٫۶ درصد و ویژگی ۶۵٫۸ درصد بود.
  • درصد موارد با امتیاز Dice حداقل ۰٫۳ در مننژیوم ۹۳ درصد، در گلیوم پیش از جراحی ۷۶ درصد، در متاستازها ۷۴ درصد و در گلیوم پس از درمان ۷۴ درصد بود.
  • عملکرد در موارد کودکان پایین‌تر بود و ۹ مورد از ۲۰ مورد، معادل ۴۵ درصد، به امتیاز Dice حداقل ۰٫۳ رسیدند.

این یافته‌ها در عمل چه معنایی دارند؟

نتایج نشان می‌دهد که مدل‌های یادگیری عمیق می‌توانند از تصاویر بدون ماده حاجب، وجود احتمالی تومور تقویت‌شونده را در سطح بیمار شناسایی کنند. چنین مدلی ممکن است در آینده به‌عنوان ابزار تریاژ یا پشتیبان تصمیم‌گیری به کار رود؛ برای مثال، تصویربرداری‌هایی را که احتمال تقویت تومور در آن‌ها بیشتر است علامت‌گذاری کند تا در صورت نیاز، ماده حاجب به پروتکل تصویربرداری افزوده شود.

این کاربرد می‌تواند در مدیریت تصویربرداری بیماران نیازمند پیگیری‌های مکرر اهمیت داشته باشد و احتمالاً به کاهش استفاده از گادولینیوم کمک کند. با این حال، عملکرد بهتر مدل نسبت به رادیولوژیست‌ها در شرایط مطالعه به معنای آمادگی آن برای جایگزینی متخصص یا حذف تصویربرداری با ماده حاجب نیست.

نقش هوش مصنوعی در تصویربرداری تومور مغزی

هوش مصنوعی در این پژوهش برای دو وظیفه اصلی به کار رفت: تشخیص وجود بافت تقویت‌شونده در سطح بیمار و قطعه‌بندی آن در سطح وکسل. مدل‌های یادگیری عمیق با شناسایی الگوهای تصویری در توالی‌های T1، T2 و FLAIR تلاش کردند اطلاعاتی را پیش‌بینی کنند که معمولاً با مقایسه تصاویر پس از تزریق ماده حاجب به‌دست می‌آید.

مزیت بالقوه چنین رویکردی، استفاده بهتر از پروتکل‌های بدون ماده حاجب و کمک به انتخاب مواردی است که احتمالاً به تصویربرداری تکمیلی نیاز دارند. در مقابل، اختلاف عملکرد میان گروه‌های مختلف، به‌ویژه عملکرد پایین‌تر در موارد کودکان، نشان می‌دهد که تعمیم‌پذیری مدل باید در جمعیت‌ها و محیط‌های بالینی متنوع‌تر بررسی شود.

محدودیت‌ها و نکات احتیاطی

مطالعه از داده‌های چند مجموعه‌داده و چند کشور استفاده کرده است، اما متن در دسترس این گزارش جزئیات کامل همه محدودیت‌های روش‌شناختی، تفاوت‌های پروتکل‌های تصویربرداری و شرایط اجرای بالینی را ارائه نمی‌کند. عملکرد پایین‌تر در موارد کودکان نیز یکی از نکات مهم احتیاطی است. بنابراین، استفاده از این مدل‌ها در تصمیم‌گیری بالینی به اعتبارسنجی مستقل، همکاری نزدیک با رادیولوژیست‌های خبره و بررسی بیشتر در شرایط واقعی نیاز دارد.

سوالات متداول

آیا این مدل می‌تواند جایگزین ام‌آر‌آی با ماده حاجب شود؟

خیر. نتایج فقط نشان می‌دهد که مدل می‌تواند احتمال تقویت تومور را از تصاویر بدون ماده حاجب پیش‌بینی کند. تصمیم درباره نیاز به ماده حاجب همچنان باید بر اساس شرایط بیمار و نظر تیم درمانی انجام شود.

کدام مدل هوش مصنوعی بهترین عملکرد را داشت؟

در این پژوهش، مدل nnU-Net بهترین عملکرد را در شناسایی تقویت تومور نشان داد.

آیا مدل برای کودکان نیز عملکرد مناسبی داشت؟

عملکرد مدل در موارد کودکان پایین‌تر از برخی گروه‌های دیگر بود؛ بنابراین ارزیابی اختصاصی و مطالعات بیشتر در جمعیت کودکان ضروری است.

شاخص Dice چه چیزی را اندازه‌گیری می‌کند؟

امتیاز Dice میزان هم‌پوشانی ناحیه‌ای را که مدل در تصویر مشخص کرده است با ناحیه مرجع اندازه‌گیری می‌کند و برای ارزیابی قطعه‌بندی کاربرد دارد.

درباره سانوس

سانوس با تمرکز بر رصد و تحلیل علمی فناوری‌های سلامت، به بررسی کاربردهای هوش مصنوعی در تصویربرداری پزشکی و تصمیم‌گیری بالینی می‌پردازد. این گزارش نیز تلاشی است برای توضیح دقیق ظرفیت‌ها و محدودیت‌های یادگیری عمیق در ارزیابی تومورهای مغزی.

منابع

  • Ruffle JK, Mohinta S, Pombo G, et al. Predicting brain tumour enhancement from non-contrast MRI with artificial intelligence: a multicohort, retrospective, diagnostic accuracy study. The Lancet medical imaging & theranostics. 2026;1(2). doi:10.1016/j.lanmit.2026.100012

برای مشاهده مقاله رو دکمه زیر کلیک کنید

لینک های مفید