سرطان ریه، عامل اصلی مرگ ناشی از سرطان در سراسر جهان است. توموگرافی کامپیوتری قفسه سینه با دوز پایین(LDCT) ، روش موثری برای غربالگری افراد بین 50 تا 80 سال با سابقه مصرف سیگار است. ثابت شده است که غربالگری سرطان ریه با LDCT مرگ ناشی از سرطان ریه را تا 24 درصد کاهش می دهد.
به گزارش سیناپرس، با این حال، با افزایش نرخ سرطان ریه در میان افراد غیر سیگاری، استراتژی های جدیدی برای غربالگری و پیش بینی دقیق خطر سرطان ریه در جمعیت وسیع تر، مورد نیاز است. محققان بیمارستان عمومی ماساچوست، در مطالعه جدیدی، یک ابزار هوش مصنوعی به نام Sybil را طراحی و آزمایش کرده اند.
به منظور بهبود کارایی غربالگری سرطان ریه، تیم تحقیقاتی، با استفاده از داده های کارآزمایی ملی غربالگری ریه (NLST)، یک مدل یادگیری عمیق به نام Sybil را توسعه داده است که با تجزیه و تحلیل اسکن ها، خطر سرطان ریه را برای یک تا شش سال آینده پیش بینی می کند.
تجزیه و تحلیل اسکن های LDCT از بیماران، نشان داد که Sybil قادر است خطر ابتلا به سرطان ریه را به طور دقیق در افراد غیر سیگاری یا افراد با سابقه مصرف سیگار، پیش بینی کند.
تیم تحقیقاتی با استفاده از سه مجموعه داده مستقل، اعتبار Sybil را تأیید کرد. مجموعه داده ها شامل اسکن های بیش از 6 هزار شرکت کننده NLST، 8 هزار اسکن LDCT از بیمارستان عمومی ماساچوست و 12 هزار اسکن LDCT از بیمارستان یادبود چانگ گونگ در تایوان، بودند. محققان دریافتند که Sybil قادر است خطر دقیق ابتلا به سرطان ریه را در این مجموعه ها، پیش بینی کند.
پژوهشگران توضیح داده اند، Sybil می تواند با نگاه کردن به یک تصویر، خطر ابتلای بیمار به سرطان ریه را در عرض شش سال آینده پیش بینی کند. به گزارش سیناپرس،ما قصد داریم تا با تحقیق و آزمایش های بیشتر تعیین کنیم که آیا این رویکرد می تواند مسیر شخصی سازی شده ای برای غربالگری بیماران ارائه دهد یا خیر.
نتایج تحقیقاتی در مجله Journal of Clinical Oncology منتشر شده اند.
ترجمه: سنا دلفیه
No tags for this post.