به گزارش ایسنا و به نقل از گیزمگ، هر سال هزاران زن تحت عمل‌های جراحی دردناک و تهاجمی برای از بین بردن ضایعات پستان قرار می‌گیرند و ابزارهای تشخیصی فعلی به عنوان یک خطر بالقوه برای سرطان شناخته شده‌اند.

زیرا اکثریت قریب به اتفاق این روش‌ها ضایعات را خوش خیم نشان می‌دهد، بنابراین بهبود ابزار تشخیص فعلی برای بسیاری از محققان یک اولویت مهم محسوب می‌شود.

ماموگرافی هنوز هم به عنوان یک ابزار مهم تشخیصی برای کشف سرطان پستان مورد استفاده قرار می‌گیرد. ضایعات مشکوک که از طریق ماموگرافی کشف می‌شوند، پس از آن با بیوپسی مورد آزمایش قرار می‌گیرند.

به طور کلی اگر نتیجه بیوپسی غیرعادی باشد، یک بیمار برای از بین بردن ضایعات تحت عمل جراحی قرار می‌گیرد، اما 90 درصد از مواقع این ضایعات، خوش‌خیم بوده و انجام عمل جراحی غیرضروری است.

یکی از محققان این پژوهش اظهار کرد: از آنجایی که ابزارهای تشخیصی فعلی دقیق نیستند، پزشکان به دنبال ابزارهای دقیق‌تری برای بررسی بیشتر سرطان پستان هستند و از آنجایی‌ که پزشکان نسبت به داده‌های فعلی اطمینان کامل ندارند، یادگیری ماشینی دقیقا همان ابزاری است که به ما برای بهبود تشخیص و جلوگیری از انجام کارهای اضافی و غیرضروری در روند درمان کمک می‌کند.

تیم تحقیقاتی از آزمایشگاه هوش مصنوعی و علوم کامپیوتری موسسه فناوری ماساچوست(CSAIL)، بیمارستان عمومی ماساچوست و دانشکده پزشکی هاروارد، یک مدل یادگیری ماشینی را طراحی کرد که با 600 ضایعه خطرناک موجود آموزش دیده و شامل متغیرهایی چون تاریخچه خانوادگی، جمعیت شناسی و بیوپسی‌های گذشته است.

آنها سپس این مدل را بر روی 335 ضایعه آزمایش کرده و دریافتند که این مدل به درستی و با دقت 97 درصد می‌تواند ضایعاتی که در نهایت منجر به سرطان می‌شود را شناسایی کند.

آنها در این پژوهش دریافتند که با استفاده از این سیستم یادگیری ماشینی، در حدود 30 درصد از جراحی‌هایی که برای حذف این ضایعات خوش‌خیم انجام می‌شود را می‌توان از روند درمان حذف کرد.

این پژوهش جدید در مجله Radiology منتشر شده است.

انتهای پیام