پیشبینی پاسخ سرطان رکتوم با هوش مصنوعی و سونوگرافی سهبعدی پیش از درمان

پیشبینی پاسخ سرطان رکتوم با هوش مصنوعی و سونوگرافی سهبعدی پیش از درمان
یک مطالعه چندمرکزی جدید نشان داده است که ترکیب سونوگرافی سهبعدی ترانسرکتال و یادگیری عمیق میتواند به پیشبینی پاسخ کامل پاتولوژیک در بیماران مبتلا به سرطان موضعی پیشرفته رکتوم کمک کند. این چارچوب هوش مصنوعی، علاوه بر شناسایی خودکار تومور، احتمال از بین رفتن کامل سلولهای سرطانی پس از درمان نئوادجوانت را برآورد میکند.
یافتههای این پژوهش که در مجله MedComm منتشر شده است، نشان میدهد مدل طراحیشده در مجموعه اعتبارسنجی داخلی به سطح زیر منحنی ROC برابر با ۰٫۹۲ و در مجموعه اعتبارسنجی خارجی به AUC حدود ۰٫۸۵ تا ۰٫۸۶ دست یافته است. با وجود این عملکرد امیدوارکننده، نویسندگان تأکید میکنند که استفاده معمول از مدل در بالین، به اعتبارسنجی گستردهتر در مراکز متعدد و با دستگاههای مختلف سونوگرافی نیاز دارد.
خلاصه سریع
- هدف پژوهش، پیشبینی پاسخ کامل پاتولوژیک یا pCR پس از درمان نئوادجوانت در سرطان موضعی پیشرفته رکتوم بود.
- دادههای ۵۳۸ بیمار از پنج بیمارستان در این مطالعه چندمرکزی بررسی شد.
- مدل یادگیری عمیق، تومور را در تصاویر سونوگرافی سهبعدی ترانسرکتال بهصورت خودکار قطعهبندی میکرد.
- مدل قطعهبندی به امتیاز Dice برابر با ۰٫۸۹ رسید که نشاندهنده همخوانی مناسب با ناحیه تعیینشده توسط متخصص است.
- مدل پیشبینی pCR در اعتبارسنجی داخلی AUC برابر با ۰٫۹۲ داشت.
- در اعتبارسنجی خارجی، AUC مدل بین ۰٫۸۵ تا ۰٫۸۶ و دقت آن بین ۸۱٫۶ تا ۸۳٫۵ درصد بود.
- تحلیل منحنی تصمیم نشان داد مدل میتواند در طیفی از آستانههای تصمیمگیری، سود خالص بالینی ایجاد کند.
- این سامانه هنوز ابزار کمکی پژوهشی است و نباید جایگزین تصمیمگیری تیم چندتخصصی سرطان شود.
تعاریف ضروری
سرطان موضعی پیشرفته رکتوم چیست؟
سرطان رکتوم به تومور بدخیمی گفته میشود که در بخش انتهایی روده بزرگ ایجاد میشود. هنگامی که تومور از لایههای عمقی دیواره رکتوم عبور کرده یا به غدد لنفاوی منطقهای و ساختارهای اطراف گسترش یافته باشد، معمولاً در گروه سرطان موضعی پیشرفته رکتوم یا LARC قرار میگیرد. در این مرحله، درمان اغلب به همکاری جراح، متخصص سرطانشناسی، رادیوتراپیست، رادیولوژیست و پاتولوژیست نیاز دارد.
درمان نئوادجوانت چیست؟
درمان نئوادجوانت به درمانی گفته میشود که پیش از جراحی انجام میگیرد. در سرطان رکتوم، این درمان ممکن است شامل شیمیدرمانی، پرتودرمانی یا ترکیبی از آنها باشد. هدف آن کاهش اندازه و مرحله تومور، افزایش احتمال برداشت کامل تومور، کاهش خطر عود و در برخی بیماران فراهم کردن امکان رویکردهای حفظ اندام است.
پاسخ کامل پاتولوژیک یا pCR
pCR به معنای آن است که پس از درمان پیش از جراحی و برداشت نمونه جراحی، در بررسی پاتولوژیک هیچ سلول سرطانی زندهای در نمونه تومور و غدد لنفاوی مشاهده نشود. این شاخص با پیامدهای بهتر در برخی بیماران ارتباط دارد، اما تشخیص قطعی آن معمولاً پس از جراحی و بررسی بافتشناسی امکانپذیر است. بنابراین پیشبینی pCR پیش از جراحی، هرچند ارزشمند، با تشخیص قطعی پاتولوژیک تفاوت دارد.
سونوگرافی سهبعدی ترانسرکتال
سونوگرافی ترانسرکتال یا TRUS روشی تصویربرداری است که با قرار دادن پروب اولتراسوند در رکتوم، تصویر دقیقی از دیواره رکتوم و بافتهای مجاور ایجاد میکند. نسخه سهبعدی این روش، اطلاعات حجمی و مجموعهای از برشهای متوالی از تومور فراهم میسازد. این روش نسبتاً در دسترس، بدون استفاده از اشعه یونیزان و قابل تکرار است، اما کیفیت تصاویر آن میتواند به تجربه اپراتور، نوع دستگاه، وضعیت بیمار و ویژگیهای تومور وابسته باشد.
یادگیری عمیق و قطعهبندی خودکار
یادگیری عمیق زیرمجموعهای از هوش مصنوعی است که با استفاده از شبکههای عصبی چندلایه، الگوهای پیچیده را از دادهها استخراج میکند. قطعهبندی خودکار در تصویربرداری پزشکی به معنای مشخص کردن مرز و ناحیه تومور در تصویر است. در این مطالعه، قطعهبندی پیشنیاز مدل پیشبینی بود؛ زیرا سامانه ابتدا ناحیه مورد نظر را شناسایی و سپس ویژگیهای تصویری مرتبط با پاسخ درمانی را تحلیل میکرد.
AUC، دقت و امتیاز Dice
AUC یا مساحت زیر منحنی ROC توانایی مدل را در تفکیک دو گروه، یعنی بیماران دارای pCR و بیماران فاقد pCR، اندازهگیری میکند. مقدار نزدیکتر به یک معمولاً نشاندهنده قدرت تفکیک بهتر است. دقت، نسبت پیشبینیهای درست به کل پیشبینیهاست و امتیاز Dice میزان همپوشانی ناحیه قطعهبندیشده توسط مدل با ناحیه مرجع تعیینشده توسط متخصص را ارزیابی میکند.
بدنه اصلی پژوهش
چرا پیشبینی پاسخ درمانی در سرطان رکتوم اهمیت دارد؟
پاسخ بیماران مبتلا به سرطان رکتوم به درمان نئوادجوانت یکسان نیست. برخی بیماران به پاسخ کامل یا نزدیک به کامل دست مییابند، در حالی که در برخی دیگر بیماری باقیمانده یا تهاجمیتر وجود دارد. اگر بتوان پیش از جراحی احتمال پاسخ کامل را با دقت قابل قبول برآورد کرد، این اطلاعات میتواند در برنامهریزی درمان، تعیین شدت پایش، انتخاب روش جراحی و بررسی رویکردهای حفظ رکتوم نقش داشته باشد.
با این حال، پیشبینی پاسخ درمانی باید با احتیاط تفسیر شود. حتی یک مدل با عملکرد آماری بالا نمیتواند بهتنهایی تصمیم به حذف جراحی یا تغییر قطعی درمان استاندارد را توجیه کند. تصمیم بالینی باید بر اساس معاینه، تصویربرداری، آندوسکوپی، وضعیت عمومی بیمار، ویژگیهای مولکولی و نظر تیم چندتخصصی اتخاذ شود.
طراحی و روش تحقیق
جامعه آماری و مراکز شرکتکننده
در این مطالعه چندمرکزی، اطلاعات ۵۳۸ بیمار مبتلا به سرطان موضعی پیشرفته رکتوم از پنج بیمارستان گردآوری شد. بیماران بر اساس مجموعه داده به سه گروه تقسیم شدند:
- گروه آموزش: ۳۴۸ بیمار
- گروه اعتبارسنجی داخلی: ۸۷ بیمار
- گروه اعتبارسنجی خارجی: ۱۰۳ بیمار
این تقسیمبندی امکان ارزیابی مدل را هم در دادههای مشابه با دادههای آموزشی و هم در دادههای حاصل از مرکز یا محیط مستقل فراهم میکند. اعتبارسنجی خارجی اهمیت ویژهای دارد، زیرا بسیاری از مدلهای هوش مصنوعی در مرکز تولیدکننده عملکرد مطلوب دارند، اما هنگام مواجهه با جمعیت، دستگاه یا پروتکل تصویربرداری جدید، افت عملکرد نشان میدهند.
دادههای تصویربرداری
ورودی اصلی سامانه، دادههای سونوگرافی سهبعدی ترانسرکتال پیش از شروع درمان بود. این دادهها امکان تحلیل حجمی تومور را فراهم میکردند؛ موضوعی که در مقایسه با اتکا به یک تصویر دوبعدی منفرد میتواند اطلاعات بیشتری درباره شکل، مرزها و الگوی داخلی ضایعه ارائه دهد.
معماری مدل هوش مصنوعی
چارچوب پیشنهادی از دو بخش اصلی تشکیل شد. بخش نخست، مدل قطعهبندی خودکار بود که با استفاده از یادگیری نیمهنظارتی، ناحیه تومور را در دادههای سهبعدی مشخص میکرد. یادگیری نیمهنظارتی میتواند در شرایطی مفید باشد که برچسبگذاری کامل تصاویر توسط متخصص زمانبر و پرهزینه است؛ زیرا از ترکیب دادههای دارای برچسب و دادههای بدون برچسب استفاده میکند.
بخش دوم، مدل پیشبینی پاسخ کامل پاتولوژیک بود که بر پایه معماری سهبعدی ResNet ساخته شد. این مدل به یک ماژول توجه کانولوشنی یا CBAM مجهز بود. ماژول توجه تلاش میکند بخشهای اطلاعاتیتر تصویر را برجسته و سهم نواحی کماهمیت را کاهش دهد. مدل با بررسی الگوهای تصویری تومور، احتمال pCR را تخمین میزد.
نمونهبرداری از داده سهبعدی
پژوهشگران عملکرد مدل را با دادههایی که در فواصل زاویهای ۹ و ۱۸ درجه نمونهبرداری شده بودند، مقایسه کردند. این موضوع اهمیت دارد، زیرا نحوه تبدیل داده حجمی به ورودی شبکه میتواند بر میزان اطلاعات قابل استفاده و هزینه محاسباتی مدل اثر بگذارد.
روشهای ارزیابی
برای ارزیابی بخش قطعهبندی از امتیاز Dice استفاده شد. عملکرد مدل پیشبینی با شاخصهایی مانند AUC و دقت در مجموعههای آموزش، اعتبارسنجی داخلی و اعتبارسنجی خارجی سنجیده شد. همچنین منحنیهای کالیبراسیون برای بررسی میزان تطابق احتمال پیشبینیشده با احتمال واقعی و تحلیل منحنی تصمیم برای سنجش سود خالص بالینی به کار رفتند.
نتایج اصلی مطالعه
عملکرد قطعهبندی تومور
مدل قطعهبندی خودکار به امتیاز Dice برابر با ۰٫۸۹ دست یافت. این نتیجه نشاندهنده همپوشانی مناسب بین ناحیه مشخصشده توسط مدل و ناحیه مرجع تعیینشده توسط رادیولوژیست باتجربه است. قطعهبندی دقیق اهمیت زیادی دارد، زیرا خطا در تعیین مرز تومور میتواند ویژگیهای ورودی مدل پیشبینی را تغییر دهد.
عملکرد پیشبینی پاسخ کامل پاتولوژیک
در مدلهایی که بر اساس نمونهبرداری ۹ یا ۱۸ درجه آموزش دیده بودند، AUC در اعتبارسنجی داخلی به ۰٫۹۲ رسید. دقت گزارششده در مجموعه اعتبارسنجی داخلی بین ۸۶٫۲ تا ۹۰٫۸ درصد بود. در اعتبارسنجی خارجی، AUC بین ۰٫۸۵ تا ۰٫۸۶ و دقت بین ۸۱٫۶ تا ۸۳٫۵ درصد گزارش شد.
کاهش محدود عملکرد در اعتبارسنجی خارجی، در مقایسه با دادههای داخلی، قابل انتظار است و نشان میدهد مدل با وجود حفظ قدرت تفکیک مناسب، احتمالاً تحت تأثیر تفاوتهای بین مراکز قرار میگیرد. این تفاوتها میتوانند شامل نوع دستگاه، تنظیمات تصویربرداری، مهارت اپراتور، ویژگیهای جمعیت بیمار و الگوی ارجاع باشند.
تحلیل سودمندی بالینی
تحلیل منحنی تصمیم یا DCA نشان داد مدل در دامنهای از آستانههای خطر، سود خالص بالینی ایجاد میکند. این تحلیل صرفاً به این پرسش پاسخ نمیدهد که مدل از نظر آماری چقدر دقیق است؛ بلکه بررسی میکند استفاده از مدل در یک تصمیم بالینی احتمالی، در مقایسه با مداخله برای همه بیماران یا عدم مداخله برای همه آنها، چه مزیتی دارد.
قابلیت تفسیر مدل
پژوهشگران از نقشههای Grad-CAM برای نمایش نواحی تصویری مورد توجه مدل استفاده کردند. این نقشهها نشان میدهند کدام بخشهای تصویر بیشترین سهم را در تصمیم مدل داشتهاند. استفاده از چنین ابزارهایی میتواند به ارزیابی منطقی بودن تمرکز مدل کمک کند، اما نقشه توجه بهتنهایی اثبات نمیکند که مدل از یک نشانگر زیستی قطعی یا مکانیسم پاتولوژیک مشخص استفاده کرده است.
اهمیت بالینی و کاربردهای احتمالی
کاربرد بالقوه این سامانه، فراهم کردن یک ابزار کمکی برای طبقهبندی خطر و شخصیسازی مدیریت بیماران مبتلا به سرطان رکتوم است. پزشک میتواند احتمال پیشبینیشده را در کنار MRI، یافتههای بالینی، اندوسکوپی و شاخصهای پاتولوژیک تفسیر کند. چنین سامانهای ممکن است در آینده به انتخاب بیمارانی که به پایش دقیقتر، ارزیابی مجدد زودتر یا گفتوگوی تخصصی درباره گزینههای حفظ اندام نیاز دارند، کمک کند.
با این حال، پیشبینی pCR با تصمیم برای اجرای راهبرد «پایش و انتظار» یکسان نیست. راهبرد حفظ اندام فقط در شرایط منتخب، با ارزیابیهای دقیق و پیگیری بسیار منظم قابل بررسی است. خطر باقی ماندن بیماری میکروسکوپی، عود موضعی و خطای منفی کاذب باید همیشه در نظر گرفته شود.
نقاط قوت مطالعه
- استفاده از دادههای ۵۳۸ بیمار از پنج بیمارستان.
- وجود مجموعه اعتبارسنجی خارجی برای ارزیابی تعمیمپذیری مدل.
- ترکیب قطعهبندی خودکار با مدل پیشبینی پاسخ درمانی.
- استفاده از تصویربرداری سهبعدی ترانسرکتال پیش از درمان.
- گزارش همزمان شاخصهای عملکرد تشخیصی، کالیبراسیون و سودمندی بالینی.
- تلاش برای افزایش قابلیت تفسیر مدل با نقشههای Grad-CAM.
محدودیتها و ملاحظات مهم
مهمترین محدودیت، نیاز به اعتبارسنجی در جمعیتهای بزرگتر و با دستگاههای سونوگرافی متنوع است. عملکرد مدل ممکن است در خارج از مراکز پژوهش تغییر کند. همچنین، استانداردسازی تصویربرداری سهبعدی ترانسرکتال و نحوه برچسبگذاری تومور برای استفاده گسترده ضروری است.
مدلهای هوش مصنوعی ممکن است به تفاوتهای پنهان میان مراکز، پروتکلهای تصویربرداری یا ویژگیهای جمعیتی حساس باشند. بنابراین پیش از استفاده بالینی باید بررسیهای آیندهنگر، ارزیابی کالیبراسیون در گروههای مختلف، تحلیل خطا، بررسی سوگیری و ارزیابی اثر واقعی مدل بر تصمیمهای درمانی انجام شود.
از سوی دیگر، وجود کارکنان یک شرکت فناوری پزشکی در میان نویسندگان باید هنگام تفسیر نتایج مورد توجه قرار گیرد؛ هرچند در مقاله اعلام شده است که این افراد تعارض مالی یا غیرمالی مرتبطی برای افشا نداشتهاند.
چشمانداز آینده هوش مصنوعی در سرطان رکتوم
پژوهش حاضر بخشی از روند رو به رشد استفاده از هوش مصنوعی در انکولوژی تصویری است. در آینده، مدلهای چندوجهی میتوانند دادههای سونوگرافی، MRI، گزارش پاتولوژی، دادههای آزمایشگاهی، نشانگرهای مولکولی و سوابق درمانی را با هم ترکیب کنند. چنین مدلهایی، در صورت اعتبارسنجی دقیق، ممکن است پیشبینی پاسخ درمانی را به سمت پزشکی دقیقتر هدایت کنند.
با این حال، ارزش واقعی یک مدل هوش مصنوعی فقط با AUC بالا مشخص نمیشود. قابلیت انتقال به مراکز مختلف، ایمنی، شفافیت، سهولت استفاده، حفاظت از حریم خصوصی دادهها و اثبات بهبود پیامدهای بیمار، معیارهای اساسی برای ورود فناوری به مراقبت روزمره هستند.
سوالات متداول
آیا این مدل میتواند نیاز به جراحی سرطان رکتوم را حذف کند؟
خیر. مدل فقط احتمال پاسخ کامل پاتولوژیک را پیشبینی میکند و جایگزین بررسی پاتولوژیک، ارزیابی چندتخصصی یا تصمیم جراحی نیست. حذف یا تغییر جراحی تنها در چارچوب پروتکلهای معتبر و برای بیماران منتخب قابل بررسی است.
دقت هوش مصنوعی در این مطالعه چقدر بود؟
مدل پیشبینی pCR در اعتبارسنجی داخلی AUC برابر با ۰٫۹۲ داشت. AUC در اعتبارسنجی خارجی حدود ۰٫۸۵ تا ۰٫۸۶ و دقت خارجی بین ۸۱٫۶ تا ۸۳٫۵ درصد گزارش شد.
آیا سونوگرافی ترانسرکتال جایگزین MRI میشود؟
بر اساس این مطالعه چنین نتیجهای نمیتوان گرفت. سونوگرافی ترانسرکتال میتواند اطلاعات مکمل ارائه کند، اما انتخاب روش تصویربرداری به شرایط بیمار، مرحله بیماری، امکانات مرکز و نظر تیم درمان وابسته است.
pCR چگونه بهطور قطعی تشخیص داده میشود؟
تشخیص قطعی pCR معمولاً با بررسی بافتشناسی نمونه جراحی و نبود سلول سرطانی زنده در تومور و غدد لنفاوی انجام میشود. مدل هوش مصنوعی فقط احتمال این نتیجه را پیش از جراحی برآورد میکند.
آیا این فناوری در ایران قابل استفاده است؟
استفاده از آن در ایران نیازمند دادههای بومی، استانداردسازی تصویربرداری، اعتبارسنجی در مراکز ایرانی، رعایت اصول حریم خصوصی و تأیید نهادهای نظارتی است. تا آن زمان، چنین مدلهایی باید در چارچوب پژوهشی و بهعنوان ابزار کمکی ارزیابی شوند.
جمعبندی
این مطالعه چندمرکزی نشان میدهد که ترکیب سونوگرافی سهبعدی ترانسرکتال و یادگیری عمیق میتواند روشی امیدوارکننده برای پیشبینی پاسخ کامل پاتولوژیک در سرطان موضعی پیشرفته رکتوم باشد. عملکرد مناسب قطعهبندی، AUC بالا در اعتبارسنجی داخلی، عملکرد قابل قبول در اعتبارسنجی خارجی و سودمندی بالینی مشاهدهشده، از ظرفیت این فناوری برای پشتیبانی از پزشکی شخصیسازیشده حکایت دارد.
با این وجود، این نتایج به معنای آمادگی فوری مدل برای جایگزینی روشهای استاندارد نیست. اعتبارسنجی آیندهنگر، بررسی در دستگاههای متنوع، آزمون در جمعیتهای مختلف و ارزیابی تأثیر آن بر پیامد واقعی بیماران، گامهای ضروری پیش از کاربرد گسترده بالینی هستند.
درباره سانوس
سانوس، رسانه تخصصی هوش مصنوعی در سلامت، با هدف ترویج آگاهی علمی و بررسی مسئولانه فناوریهای نوین پزشکی فعالیت میکند. این مقاله نمونهای از تلاش سانوس برای توضیح دقیق پژوهشهای هوش مصنوعی در سرطانشناسی، تفکیک نتایج امیدوارکننده از ادعاهای قطعی و ارائه اطلاعات قابل استفاده برای پزشکان، پژوهشگران و مخاطبان ایرانی است.
مشخصات مقاله
- عنوان اصلی: A Deep Learning Framework Predicts Rectal Cancer Treatment Response via Pretreatment 3D Transrectal Ultrasound: A Multicenter Study
- مجله: MedComm
- سال انتشار: ۲۰۲۶
- DOI: 10.1002/mco2.70982
- PMID: 42719695
- نویسندگان: Yiwen Yu، Xuebin Zou، Ying Liao، Lichao Mou، Xing Zhao، Juan Fu، Lina Tang، Xiaomao Luo، Guangjian Liu، Fang Li، Jingliang Hu، Anhua Li، Jianwei Wang، Ruohan Guo و Jianhua Zhou
منبع مقاله
مجله MedComm، سال ۲۰۲۶، DOI: 10.1002/mco2.70982
برای مشاهده مقاله رو دکمه زیر کلیک کنید