تکنیک‌های جدید بافت شناسی با کمک هوش مصنوعی

در دنیای آزمایشگاه‌های تشخیصی، بافت شناسی یک تکنیک پیشرو است. امروزه هوش مصنوعی (AI)، بخشی جدایی ناپذیری از این پیشرفت‌های جدید است. اما هوش مصنوعی چگونه به توسعه تکنیک‌های جدید بافت شناسی کمک کرده است؟ در ادامه قصد داریم مروری بر این موضوع داشته باشیم.

واضح است که  تصمیم گیری مبتنی بر هوش مصنوعی ظرفیت پشتیبانی از دقت تشخیصی و انتخاب درمان در طیف گسترده‌ای از بیماری‌ها را دارد.

هوش مصنوعی و توسعه تکنیک‌های جدید بافت شناسی

واضح است که تصمیم‌گیری مبتنی بر هوش مصنوعی دقت تشخیصی و انتخاب درمان در طیف گسترده‌ای از بیماری‌ها را بهبود بخشیده و سبب توسعه تکنیک‌های جدید بافت شناسی نیز شده است. در ادامه به بررسی کاربرد این ابزار در تشخیص برخی بیماری‌ها خواهیم پرداخت.

سرطان سلول سنگ‌فرشی

هوش مصنوعی در سراسر جهان در حال پیشرفت است  و زمینه بافت‌شناسی نیز از این روند مستثنی نیست. در یک مطالعه جدید در ژاپن، محققان به دنبال بهبود توانایی مدل‌های یادگیری عمیق برای ارائه پشتیبانی هیستوپاتولوژی تشخیصی بودند. برای انجام این کار، آن‌ها از آسیب‌شناسان خواستند نمونه‌های سرطان سلول سنگفرشی دهان را تهیه کنند. چندین مجموعه از پارامترها مورد آزمایش قرار گرفتند. به کمک هوش مصنوعی بالاترین عملکرد با زمان‌بندی نرخ یادگیری و بهینه‌ساز نگاشت زاویه طیفی ارائه گردید.

اما آیا چنین ابزاری واقعاً از هیستوپاتولوژیست ها پشتیبانی می‌کند؟

 نتایج مثبتی مشاهده شد. در بین شش پاتولوژیستی که حین این آزمایش بررسی شدند، میانگین عملکرد بدون کمک تشخیصی هوش مصنوعی ۰٫۸۴ برای بافت طبیعی، ۰٫۸۸ برای کارسینوم سلول سنگفرشی، و ۰٫۸۱ برای سایر موارد بود.

اما با کمک هوش مصنوعی، این اعداد به ۰٫۹۴ برای بافت طبیعی، ۰٫۹۶ برای کارسینوم سلول سنگفرشی و ۰٫۹۲ برای سایر موارد افزایش یافت.

سرطان پروستات

یکی دیگر از تکنیک‌های جدید بافت شناسی ، توانایی هوش مصنوعی برای پیش‌بینی پیشرفت سرطان پروستات بر اساس تصاویر بیوپسی است.

در یک کارازمایی بالینی، اسلایدهای رنگ آمیزی شده با H&E را دیجیتالی کردند، سپس از یک الگوریتم دیجیتالی مبتنی بر هیستوپاتولوژی مبتنی بر هوش مصنوعی چندوجهی (MMAI) برای شناسایی بیماران در معرض خطر پیشرفت پروستات استفاده کردند.

الگوریتم به طور دقیق بیماران را بر اساس ترکیبی از اطلاعات بالینی و بافت شناسی به دو گروه پرخطر و غیر پرخطر تقسیم کرد. این موفقیت به این معنی است که MMAI ممکن است یک ابزار پشتیبانی کننده تصمیم بالینی امیدوارکننده باشد که از درمان آپالوتامید برای بیمارانی که احتمالاً پاسخ می‌دهند حمایت می‌کند و به افرادی که در معرض خطر کمتری هستند اجازه می‌دهد از شیمی‌درمانی غیرضروری اجتناب کنند.

بیماری مزمن کلیوی

یک گروه تحقیقاتی از دانشگاه میشیگان از یادگیری ماشینی برای ارزیابی هیستوپاتولوژیک بیماری مزمن کلیه استفاده کرد. برای انجام این کار، آ‌‌ن‌ها یک نوع کاملاً جدید از چارچوب، معروف به تجزیه و تحلیل فضایی مبتنی بر خوشه (CluSA) را توسعه دادند که قادر به یادگیری روابط فضایی بین الگوها در بافت کلیه است. این قابلیت به الگوریتم اجازه می‌دهد تا هزینه‌های زیادی را حذف کند.

اگرچه تحقیقات بیشتری برای بررسی کامل پتانسیل این فناوری مورد نیاز است. اما واضح است که تصمیم‌گیری مبتنی بر هوش مصنوعی، دقت تشخیصی و انتخاب درمان بیماری‌ها، کاهش احتمال خطا یا درمان غیرضروری و به طور بالقوه بهبود نتایج بیمار را به همراه دارد.

تکنیک‌های جدید بافت شناسی و فناوری های نوظهور

هوش مصنوعی نه تنها در تشخیص و انتخاب راه درمان به کمک محققین آمده است. بلکه تکنیک‌های آزمایشگاهی را نیز بهبود بخشیده است. برخی از تکنیک‌های جدید در بافت شناسی که هوش مصنوعی به توسعه آن کمک کرده، در ادامه ذکر شده است.

کوتاه شدن زمان چرخش

آزمایشگاه‌های بالینی همیشه شلوغ و پرازدحام هستند. به‌ویژه با افزایش روزافزون بروز سرطان، همیشه کارکنان قادر به پاسخگویی به این حجم از تقاضا نیستند. به همین دلیل تلاش برای یافتن راه‌های جدیدی برای بهینه‌سازی جریان کار آسیب‌شناسی ادامه دارد. با مشاهده این نیاز، محققان الگوریتم‌های بافت‌شناسی و هوش مصنوعی را برای تشخیص سریع‌تر و انتخاب درمان ترکیب کردند. محققان تصاویر کل اسلاید ۴۳۵ بیمار را با نتایج  مستند طبقه‌بندی کردند. این طبقه‌بندی با استفاده از الگوریتم‌های متعددی که روی اسلایدهای H&E موجود ایجاد شده است، یک نتیجه مثبت یا منفی برای هر تغییری را ارائه می‌دهد.

محققان امیدوارند با اجرای هوش مصنوعی برای تشخیص بیومارکرهای مولکولی مبتنی بر بافت‌شناسی، آزمایشگاه‌های پرمشغله بتوانند به سرعت بیماران غیرقابل هدف را شناسایی کنند، موارد را برای آزمایش یا بررسی بیشتر اولویت‌بندی کنند و زمان بازگشت آن‌ها را کوتاه کنند.

ترکیب تصویر سه بعدی با آسیب شناسی محاسباتی، یکی از تکنیک‌های جدید بافت شناسی

هوش مصنوعی تنها فناوری پیشبرد تشخیص بافت نیست. یکی از تکنیک‌های جدید بافت شناسی، استفاده از تصاویر سه بعدی از بافت است. تکنیک‌های بافت‌شناسی کنونی خطر ‌نمونه‌گیری کم را معرفی می‌کنند. مشاهده تنها یک یا چند بخش بیوپسی که تنها بخش کوچکی از کل تومور را نشان می‌دهد، به این معنی است که ویژگی‌های مهم تومور یا ریزمحیط بافت آن ممکن است نادیده گرفته شود. تصویربرداری جامع سه بعدی (۳D) از نمونه های دست نخورده می‌تواند به کاهش این خطر کمک کند.

محققین توانسته‌اند تصاویر سه بعدی از نمونه هایی به بزرگی ۵ میلی متر مکعب به دست آورند که آن‌ها را با استفاده از رویکردهای آسیب شناسی محاسباتی مانند یادگیری ماشینی طبقه بندی و کمی کردند. مناطقی به کوچکی ۰٫۰۰۴۵ میلی‌متر مکعب مورد بررسی قرار گرفتند و لنفوسیت‌های سالم و سلول‌های تومور را تنها چند میکرون از هم نشان دادند. تجزیه و تحلیل بیشتر با هدف پیوند دادن این ویژگی‌های بافت به نتایج بیمار در حال انجام است. اما این نتایج اولیه نشان می‌دهد که ترکیب تصویر سه بعدی با آسیب شناسی محاسباتی نه تنها امکان نمونه برداری و تجزیه و تحلیل جامع تر از تومورها و ریزمحیط های آن‌ها را فراهم می‌کند، بلکه ممکن است در نهایت امکان ارزیابی بافت شناسی دقیق‌تری را ایجاد نماید.

پیشرفت انکولوژی دقیق

انکولوژی دقیق یکی دیگر از تمرکزهای رو به رشد در بافت شناسی است. یک تیم آمریکایی اخیراً پانل‌های مولتی پلکس هیبریدی را توسعه داده‌اند که هیبریداسیون درجا RNA را با ایمونوفلورسانس ترکیب می‌کند تا بینش دقیقی در مورد زیست‌شناسی فضایی ریزمحیط تومور داشته باشد.

 استفاده از این فناوری در نمونه‌های سرطان سینه به محققان این امکان را می‌دهد تا بیومارکرهای خاص ایمنی-آنکولوژی، عنوان CD3، CD68، CD163، و PAX5، را شناسایی کنند و همچنین سطوح و منابع سلولی سیتوکین ها مانند اینترلوکین ها و TNFα را شناسایی کنند.

آینده بافت شناسی

حوزه آزمایشگاه بالینی و تشخیصی مملو از پیشرفت‌های جدید است که همه آن‌ها توسط بافت پشتیبانی می‌شوند. هوش مصنوعی امروزه به توسعه تکنیک‌های جدید بافت شناسی کمک زیادی کرده است. محققین همواره در تلاش هستند تا ابزارهای جدیدی ارائه کنند که به تشخیص و درمان تومورها و سایر بیماری‌ها کمک می‌کند.

 همین امر را می‌توان در مورد الگوریتم‌های جدید، تکنیک‌های تصویربرداری، زیست شناسی فضایی و حتی پیشرفت‌های تدریجی در تکنیک‌های پیچیده آزمایشگاهی پیش برد.

این یک دنیای کاملاً جدید است و هر فردی فهرست بلندبالایی از چیزهایی دارد که تمایل دارد ببیند. به نظر شما در آینده بافت شناسی تا کجا پیش خواهد رفت؟