استفاده از هوش مصنوعی برای تشخیص و درمان بیماری کلیوی - مجله لیست پیوند

به گزارش خبرنگار حوزه فناوری گروه علمی پزشکی خبرنگاران به نقل از مدیکال اکسپرس، در مراحل اولیه بیماری کلیوی، یک نوع تخصصی از سلول های کلیه به نام پودوسیت، هم در ساختار و هم در عملکرد خود دچار تغییرات مخربی می شود. این تغییرات شاخص های کلیدی آسیب نهایی هستند که مرحله نهایی بیماری کلیوی می تواند ایجاد کند، اما تشخیص این سلول های تخصصی سخت است.

اکنون، محققان دانشگاه بوفالو از قدرت آسیب شناسی دیجیتال و مدل سازی محاسباتی استفاده کرده اند تا رویکردی نو برای تشخیص و معین کمیت سلول های بدن ایجاد کنند.

ابزار مبتنی بر ابر، به نام PodoSighter، در مقاله ای در مجله انجمن نفرولوژی آمریکا توضیح داده شده است.

این پروژه نمونه ای از این است که چگونه قابلیت های محاسباتی پیشرفته به دانشمندان اجازه می دهد تا اطلاعات نوی را از تصاویر پیچیده ساختار های تشریحی به دست آورند.

شناخت سیستم های انسانی

پیناکی ساردر، نویسنده ارشد مقاله و دانشیار پاتولوژی و علوم تشریحی در دانشکده پزشکی جاکوبز، می گوید: در حوزه پزشکی، درک سیستم های انسانی به تجزیه و تحلیل مقادیر بسیار زیادی از انواع بسیار متفاوت داده و علوم زیست پزشکی بستگی دارد . سوال این است که چگونه همه این داده ها را برای درک سیستم ها و بیماری های اساسی انسانی ترکیب کنیم؟

ساردر و همکارانش که در حوزه نوظهور نفروپاتولوژی محاسباتی کار می کنند، بر ایجاد درک بهتری از اطلاعات موجود در تصاویر نمونه های بیوپسی کلیه متمرکز شده اند.

دارشانا گوویند، نویسنده اول این مقاله گفت: برای دهه ها معین شده بود که کمیت و تراکم سلول های پودوسیت هم برای تشخیص و هم برای پیش آگهی مرحله نهایی بیماری کلیوی مهم است. او اکنون یک دانشمند داده در شرکت داروسازی Janssen است.

در مراحل اولیه بیماری کلیوی، پودوسیت ها شروع به تغییر شکل می کنند و با پیشرفت بیماری، تعداد آن ها کاهش می یابد. ساردر توضیح داد: پودوسیت های یک فرد سالم بیشتر از یک فرد بیمار است. اگر روزی بتوانیم از دست دادن سلول های بدن را ردیابی کنیم، می توانیم مرحله بیماری را معین کنیم. در حال حاضر، این امکان پذیر نیست، اما یکی از اهداف تحقیقات UB است.

یکی از بزرگترین چالش ها در برخورد با تصاویر بافت بیوپسی شده این است که آن ها حاوی مقادیر زیادی داده هستند. چالش دیگر پودوسیت ها این است که آن ها در اعماق گلومرول ها یافت می شوند، دسته های کیسه مانند مویرگ ها که تصفیه خط اول خون را در کلیه ها انجام می دهند.

گوویند با اشاره به وجود سلول های زیادی در گلومرول توضیح داد: معین پودوسیت ها در یک تصویر بسیار چالش برانگیز است که تشخیص اینکه کدام هسته ها متعلق به پودوسیت ها هستند، حتی برای پاتولوژیست های آموزش دیده نیز سخت است. انواع مختلفی از رنگ آمیزی را می توان برای برجسته کردن سلول های پودوسیت استفاده کرد، اما گاهی اوقات رنگ آمیزی باعث از بین رفتن اطلاعات مهم تصویر می شود.

شبکه های عصبی کانولوشنال

راه حلی که آن ها توسعه دادند استفاده از تکنیک یادگیری ماشینی به نام شبکه های عصبی کانولوشن است، یک الگوریتم یادگیری که می تواند اشیاء خاص را در یک تصویر متمایز کند. تا حدی بر اساس روش هایی که قشر بینایی در مغز انسان اطلاعات بصری را پردازش می کند، پیشرفته است.

این تکنیک اساسا شامل آموزش رایانه برای تشخیص سلول های بدن است. گوویند گفت: این بافت در کلینیک تهیه می شود و روش مبتنی بر هوش مصنوعی آن را برای شما تشخیص می دهد. شما روی دکمه ای کلیک می کنید و سلول های پادوسیت شناسایی می شوند.

اطلاعات تراکم نیز ارائه شده است. ساردر گفت: PodoSighter نه تنها پودوسیت ها را شناسایی می کند، بلکه گزارشی درباره تعداد سلول های موجود در هر گلومرول و چگالی آن ارائه می کند که یک شاخص کلیدی برای پیشرفت بیماری است. او توضیح داد با پیشرفت بیماری کلیوی، اندازه گلومرول رشد می کند در حالی که تعداد سلول های پادوسیت کاهش می یابد.

در حال حاضر PodoSighter که در درجه اول یک ابزار تحقیقاتی است، می تواند بر روی نمونه هایی از حیوانات و انسان ها کار کند. هدف این است که در نهایت این مورد را به استفاده معمول در کلینیک ها برای استفاده انسانی تبدیل کنیم، که محققان می گویند ممکن است تنها در چند سال آینده امکان پذیر شود.

محققان برخی از کار های خود را در مرکز تحقیقات محاسباتی در UB انجام دادند.

ساردر اضافه کرد پتانسیل فوق العاده ای برای این نوع تحقیقات که از هوش مصنوعی در پزشکی استفاده می کند وجود دارد.

او گفت: یکی از اهداف من در UB نه تنها تحقیق، بلکه توسعه نیروی کار است و این بسیار مهم است. دکتر گوویند کار های بسیار عالی و بسیار سختی را برای دکترای خود انجام داده و در یک مجله برتر منتشر شده است. او تاکید کرد اگرچه در حال بهبود است، هنوز زنان زیادی در زمینه هوش مصنوعی کار نمی کنند.

گوویند گفت: چالش برانگیز است، زیرا شما تعداد زیادی از زنان را در این زمینه نمی بینید. من دوست دارم زنان بیشتری را به STEM و علم داده بپیوندند. حضور در آن زمینه بسیار خوبی است. بودن در این زمینه سخت است؛ بنابراین زنان بیشتری را تشویق می کنم که به تیم های هوش مصنوعی بپیوندند. تحقیقات بسیار پیشرفته ای وجود دارد و شما به معنای واقعی کلمه زندگی را با استفاده از هوش مصنوعی در مراقبت های بهداشتی تغییر می دهید.

بیشتر بخوانید