دومین جفت چشم / غربالگری سرطان پستان به کمک هوش مصنوعی

به گزارش گروه ترجمه رکنا به نقل از لایو ساینس، در حالی که بسیاری از مردم تنها در سال‌های اخیر استفاده از هوش مصنوعی (AI) را در زندگی روزمره خود آغاز کرده‌اند، کاربرد این فناوری در حوزه پزشکی حدود یک دهه پیش، به‌ویژه در زمینه تشخیص‌های مبتنی بر تصویر، آغاز شده است. پژوهشگران در این مدت برنامه‌های هوش مصنوعی را برای شناسایی تومورها و سایر نشانه‌های بیماری در انواع تصاویر پزشکی، از جمله تصاویر اشعه ایکس، ام‌آر‌آی و نمونه‌های بافتی نصب‌شده روی اسلایدها، آموزش داده‌اند.

با این حال، برای آنکه مشخص شود یک ابزار هوش مصنوعی واقعاً می‌تواند سرطان را تشخیص دهد و تفاوت معناداری در وضعیت بیماران ایجاد کند، انجام یک مطالعه «آینده‌نگر» ضروری است؛ مطالعه‌ای که در آن بیماران تشخیص‌داده‌شده با استفاده از ابزار هوش مصنوعی، برای چندین سال پیگیری می‌شوند تا پیامدهای سلامت آن‌ها ارزیابی شود.

اکنون پژوهشگران در سوئد یک کارآزمایی استاندارد طلایی را برای ارزیابی استفاده از هوش مصنوعی در غربالگری ماموگرافی انجام داده‌اند. نتایج کارآزمایی «غربالگری ماموگرافی با هوش مصنوعی» (MASAI) که در تاریخ ۳۱ ژانویه در مجله پزشکی لنست منتشر شد، نشان می‌دهد که تفسیر ماموگرافی با پشتیبانی هوش مصنوعی می‌تواند عملکرد غربالگری را بهبود بخشد و هم‌زمان بار کاری رادیولوژیست‌ها را کاهش دهد.

این نخستین بار است که نشان داده می‌شود هوش مصنوعی می‌تواند نتایج درمانی بیماران مبتلا به سرطان پستان را بهبود دهد.

شناسایی زودهنگام سرطان

غربالگری منظم بیماران در بسیاری از نقاط جهان به‌طور قابل توجهی میزان بروز سرطان‌های پیشرفته و مرگ‌ومیر ناشی از سرطان پستان را کاهش داده است. با این حال، حتی با انجام منظم ماموگرافی، برخی از سرطان‌ها ممکن است شناسایی نشوند.

این موارد که به «سرطان‌های فاصله‌ای» معروف‌اند، در غربالگری اولیه تشخیص داده نمی‌شوند، اما طی دو سال بعد یا بین دو نوبت غربالگری شناسایی می‌شوند. این سرطان‌ها اغلب به دلیل تراکم بافت پستان یا شباهت تومور به بافت طبیعی در غربالگری اولیه پنهان می‌مانند، یا گاهی نیز در فاصله زمانی کوتاهی بین دو غربالگری به‌سرعت رشد می‌کنند.

این سرطان‌ها معمولاً تهاجمی هستند، به بافت‌های سالم اطراف گسترش می‌یابند و اغلب با پیامدهای درمانی نامطلوب‌تری همراه‌اند. کاهش نرخ سرطان‌های فاصله‌ای بهترین شاخص برای اثربخشی یک روش غربالگری محسوب می‌شود، زیرا نشان می‌دهد که این روش با شناسایی زودهنگام موارد بیشتر، از تشخیص سرطان در مراحل پیشرفته جلوگیری می‌کند.

دکتر کریستینا لانگ، نویسنده ارشد این مطالعه، رادیولوژیست پستان و پژوهشگر بالینی دانشگاه لوند در سوئد، در گفت‌وگو با لایوساینس اظهار داشت: اگر هدف بهبود اثربخشی غربالگری باشد، نرخ سرطان‌های فاصله‌ای یک شاخص جایگزین بسیار مناسب برای مرگ‌ومیر ناشی از سرطان پستان است. بنابراین اگر بتوانیم این موارد را کاهش دهیم، به احتمال زیاد تأثیر مثبتی بر نتایج بیماران خواهد داشت.

کارآزمایی MASAI بیش از ۱۰۰ هزار زن ۴۰ تا ۸۰ ساله ساکن سوئد را شامل می‌شد. در این مطالعه از یک سامانه تجاری هوش مصنوعی استفاده شد که با بیش از ۲۰۰ هزار نمونه معاینه از مراکز پزشکی مختلف در سراسر جهان آموزش دیده بود.

در گروه مقایسه، ماموگرافی‌ها توسط دو رادیولوژیست بررسی می‌شد که روش استاندارد در سوئد محسوب می‌شود. در گروه مجهز به هوش مصنوعی، سامانه AI ماموگرافی‌ها را از نظر یافته‌های مشکوک تحلیل کرده و امتیاز خطری بین یک تا ۱۰ ارائه می‌داد. موارد با امتیاز یک تا ۹ توسط یک رادیولوژیست بررسی می‌شدند، در حالی که موارد دارای امتیاز ۱۰ توسط دو رادیولوژیست مورد ارزیابی قرار می‌گرفتند. این سامانه همچنین نواحی مشکوک را در تصویر مشخص می‌کرد تا بررسی آن‌ها برای رادیولوژیست‌ها آسان‌تر شود.

غربالگری با پشتیبانی هوش مصنوعی تعداد بیشتری از سرطان‌های «بالینی مرتبط» را نسبت به ماموگرافی بدون کمک هوش مصنوعی شناسایی کرد. سرطان‌های بالینی مرتبط به مواردی گفته می‌شود که قابلیت پیشرفت دارند و نیازمند مداخله درمانی هستند.

همچنین تعداد تشخیص سرطان‌های فاصله‌ای در دو سال پس از غربالگری کاهش یافت. این موضوع نشان می‌دهد که برنامه هوش مصنوعی در شناسایی سرطان‌هایی که ممکن است توسط رادیولوژیست انسانی نادیده گرفته شوند، مؤثرتر عمل کرده و امکان آغاز زودتر درمان را فراهم کرده است.

کاهش نتایج مثبت کاذب

اگرچه غربالگری سرطان در مجموع مفید است، اما معایبی نیز دارد؛ از جمله نتایج مثبت کاذب و بیش‌تشخیصی. زمانی که بیماری پس از غربالگری برای بررسی مجدد فراخوانده می‌شود اما در نهایت مشخص می‌شود که سرطان ندارد، این تجربه می‌تواند بسیار استرس‌زا باشد.

بیش‌تشخیصی به شرایطی اطلاق می‌شود که غربالگری سرطانی را شناسایی می‌کند که در نهایت هیچ آسیبی به بیمار وارد نمی‌کند. این نوع سرطان‌ها بسیار کند رشد می‌کنند و در طول عمر فرد نه علامتی ایجاد می‌کنند و نه خطر مرگ را افزایش می‌دهند. بیش‌تشخیصی می‌تواند بیماران سالم را در معرض درمان‌های غیرضروری سرطان قرار دهد.

هدف از ماموگرافی با پشتیبانی هوش مصنوعی، افزایش توان غربالگری در شناسایی سرطان و در عین حال کاهش این پیامدهای منفی است؛ و نتایج این مطالعه نشان داد که غربالگری مبتنی بر هوش مصنوعی خطر نتایج مثبت کاذب را افزایش نمی‌دهد و هم‌زمان شناسایی سرطان‌های بالینی مرتبط را بهبود می‌بخشد.

علاوه بر ارتقای تشخیص سرطان، غربالگری‌های مبتنی بر هوش مصنوعی می‌توانند به کمبود مزمن رادیولوژیست‌ها در حوزه غربالگری سرطان نیز کمک کنند.

دکتر ریچارد وال، متخصص رادیوانکولوژی دانشگاه واشنگتن در سنت‌لوئیس که در این مطالعه مشارکت نداشت، گفت: در برخی مناطق، پیدا کردن حتی یک رادیولوژیست برای تفسیر ماموگرافی‌ها دشوار است. اگر رادیولوژیست‌های متخصص در دسترس نباشند، زنان نمی‌توانند آن‌گونه که باید از برنامه‌های غربالگری بهره‌مند شوند.

وی افزود: همچنین وقتی تعداد محدودی رادیولوژیست ساعات کاری طولانی‌تری داشته باشند، عملکرد آن‌ها کاهش می‌یابد، اما هوش مصنوعی خسته نمی‌شود و کیفیت عملکردش در پایان روز کاری افت نمی‌کند.

وال تصریح کرد: مسئله نیروی انسانی کاملاً واقعی است و این مطالعه می‌تواند تأثیرگذار باشد. به نظر من، مردم به‌تدریج به استفاده از تفسیر مبتنی بر هوش مصنوعی به‌عنوان یک «جفت چشم دوم» علاقه‌مند خواهند شد.

لانگ و تیم پژوهشی او قرار است از ماه مارس یک کارآزمایی غربالگری در اتیوپی آغاز کنند که در آن از هوش مصنوعی برای پشتیبانی از ارزیابی سریع سرطان پستان با استفاده از سونوگرافی‌های کنار تخت در چارچوب یک برنامه غربالگری استفاده خواهد شد.

لانگ در این‌باره گفت: مشکل در این محیط‌ها که برنامه غربالگری وجود ندارد، این است که بسیاری از زنان با بیماری در مراحل پیشرفته مراجعه می‌کنند و رادیولوژیستی هم در محل حضور ندارد. او امیدوار است با پشتیبانی هوش مصنوعی، دسترسی به غربالگری دقیق بهبود یابد و تشخیص زودهنگام سرطان پستان در این مناطق کم‌برخوردار امکان‌پذیر شود.

توضیح: این مقاله صرفاً جنبه اطلاع‌رسانی دارد و به‌منزله ارائه توصیه پزشکی نیست.

منابع مقاله:

Gommers, J., et al. (2026). Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the Masai study: A randomised, controlled, non-inferiority, single-blinded, population-based, screening-accuracy trial. The Lancet, 407(10527), 505–514.