پزشکی شخصیشده هدف دارد درمانها را مطابق با ویژگیهای فردی بیماران تنظیم کند. تا کنون این امر با استفاده از تعداد محدودی پارامتر برای پیشبینی روند بیماری انجام میشده است. با این حال این پارامترهای اندک اغلب برای درک پیچیدگی بیماریهایی مانند سرطان کافی نبودهاند.
به گزارش بخش مهندسی پزشکی رسانه اخبار پزشکی مدنا، تیمی از پژوهشگران از دانشکده پزشکی دانشگاه دویسبورگ اسن (UDE)، دانشگاه LMU مونیخ و مؤسسه برلین برای بنیانهای یادگیری و دادهها (BIFOLD) در دانشگاه TU برلین، رویکرد جدیدی برای این مشکل با استفاده از هوش مصنوعی (AI) توسعه دادهاند. بر اساس زیرساختهای بیمارستان هوشمند در بیمارستان دانشگاه اسن، پژوهشگران دادههایی از روشهای مختلف مانند تاریخچه پزشکی، نتایج آزمایشگاهی، تصویربرداری و تجزیه و تحلیلهای ژنتیکی را بهمنظور پشتیبانی از تصمیمگیریهای بالینی ترکیب کردهاند.
پروفسور ینس کلیسیک از مؤسسه هوش مصنوعی در پزشکی (IKIM) در بیمارستان دانشگاه اسن و مرکز تحقیقاتی سرطان کلن اسن (CCCE) گفت: «اگرچه حجم زیادی از دادههای بالینی در پزشکی مدرن در دسترس است، اما وعده پزشکی شخصیشده واقعی اغلب بهطور کامل محقق نمیشود.»
در حال حاضر، عمل بالینی سرطان از سیستمهای ارزیابی نسبتاً سفت و سختی استفاده میکند، مانند طبقهبندی مراحل سرطان که تفاوتهای فردی مانند جنسیت، وضعیت تغذیه یا بیماریهای همراه را در نظر نمیگیرند. پروفسور فردریک کلاوشن، مدیر مؤسسه آسیبشناسی در دانشگاه LMU و سرپرست گروه تحقیقاتی در BIFOLD، که این رویکرد را همراه با پروفسور کلاوس-رابرت مولر توسعه داده است، میگوید: «فنآوریهای هوش مصنوعی مدرن، به ویژه هوش مصنوعی قابل تفسیر (xAI)، میتوانند برای رمزگشایی این روابط پیچیده و شخصیسازی پزشکی سرطان بهطور گستردهتری مورد استفاده قرار گیرند.»
دکتر یولیوس کیل، دانشمند بالینی در مؤسسه هوش مصنوعی در پزشکی (IKIM) توضیح میدهد: «ما عوامل کلیدی را شناسایی کردیم که مسئولیت بخش عمدهای از فرآیندهای تصمیمگیری در شبکه عصبی را بر عهده دارند، همچنین تعداد زیادی از تعاملات پیشآگهیدار بین پارامترها را شناسایی کردیم.»
مدل هوش مصنوعی سپس با موفقیت روی دادههای بیش از ۳,۰۰۰ بیمار مبتلا به سرطان ریه آزمایش شد تا تعاملات شناساییشده را تأیید کند. هوش مصنوعی دادهها را ترکیب کرده و پیشبینی کلی برای هر بیمار ایجاد میکند. به عنوان یک هوش مصنوعی قابل تفسیر، این مدل تصمیمات خود را برای پزشکان شفاف میسازد و نشان میدهد که هر پارامتر چگونه به پیشبینی کمک کرده است.
دکتر فیلیپ کیل از LMU میگوید: «نتایج ما نشان میدهند که هوش مصنوعی پتانسیل دارد تا به دادههای بالینی نه بهطور مجزا، بلکه در زمینهای وسیعتر نگاه کند، آنها را مجدداً ارزیابی کند و بدینوسیله امکان درمان سرطان مبتنی بر دادهها و شخصیشده را فراهم آورد چنین روشی از هوش مصنوعی میتواند در موارد اضطراری نیز به کار رود، جایی که ارزیابی سریع و کامل پارامترهای تشخیصی ضروری است.»
پژوهشگران همچنین قصد دارند روابط پیچیده میان انواع مختلف سرطانها را که تاکنون با روشهای آماری سنتی شناسایی نشدهاند، کشف کنند. پروفسور مارتین شولر، مدیر اجرایی سایت NCT غرب و رئیس بخش آنکولوژی پزشکی در بیمارستان دانشگاه اسن اضافه میکند: «در مرکز ملی بیماریهای توموری (NCT)، به همراه شبکههای آنکولوژی دیگری مانند مرکز تحقیقات سرطان بایرن (BZKF)، شرایط ایدهآل برای گام بعدی را داریم: اثبات منفعت واقعی فناوری ما برای بیماران در آزمایشهای بالینی.»
