دسته‌بندی نشده

استفاده از هوش مصنوعی در شناسایی و پیش‌بینی مراحل سرطان ریه

سرطان ریه یکی از شایع ترین نوع های سرطان است که متاسفانه آمار مرگ بالایی هم دارد. محققان زیادی در تلاش هستند که با شناسایی سریعتر این سرطان به روند درمان سرعت ببخشند و درصد بیماران فوت شده بر اثر این سرطان را کاهش دهند.

در ادامه با راهکارهای هوش مصنوعی برای شناسایی و تشخیص سریعتر سرطان ریه آشنا می شوید؛

سرطان ریه چیست؟

سرطان ریه بیماری است که موجب تکثیر بی رویه سلول های بافت ریه می شود و توانایی تنفسی فرد را کاهش میدهد.

سرطان پس از آسیب ژنتیکی به DNA گسترش می یابد. این آسیب ژنتیکی منجر به تکثیر و تقسیم غیرمجاز و بیش از حد سلول ها می شود که در نهایت توده ای به نام تومور ایجاد میکند؛

سرطان ریه ممکن است در مراحل اولیه هیچ‌گونه علائم خاصی نداشته باشد، این بیماری تا زمان پیشرفت آن در بسیاری از افراد تشخیص داده نمی‌شود.

مشکلات تنفسی، سرفه های مداوم، گرفتگی صدا، کاهش وزن، درد سینه و استخوان ها از علائمی است که ممکن است نشانه سرطان ریه در افراد باشد.

افرادی که سابقه ی سیگار کشیدن دارند و یا افراد بالای 60سال، احتمال خطر بیشتری آن ها را تهدید میکند.

روش های شناسایی سرطان ریه

روش های مختلفی برای تشخیص سرطان ریه وجود دارد:

عکس برداری

عکس برداری از قفسه سینه با اشعه ایکس، تصویربرداریCT-Scan ، PET-Scan و MRI میتواند به تشخیص سرطان ریه کمک کند. این روش برای بررسی بافت های غیر طبیعی بکار می رود.

سونوگرافی

در این روش از امواج صوتی جهت بررسی ساختار تومور در ریه استفاده می شود.

آزمایش تنفس

آزمایش (PFT) جهت بررسی وظایف ریه و میزان تنفس فرد انجام می گیرد.

آزمایش خلط سینه

آزمایش سلول های موجود در خلط سینه که از طریق سرفه، از ریه ها بالا می آیند، وسیله خوبی برای آزمایش سرطان به شمار می رود.

بیوپسی ریه

بیوپسی یا نمونه برداری از بافت ریه یک روش قطعی برای تشخیص سرطان ریه می باشد.

البته سرطان ریه در مراحل اولیه به راحتی قابل تشخیص نمی باشد؛

تشخیص سرطان ریه به کمک هوش مصنوعی

به روش های مختلفی برای شناسایی سرطان ریه اشاره کردیم، جواب این آزمایشات باید توسط پزشک متخصص بررسی شود تا وضعیت بیمار تعیین شود. در این روند علاوه بر امکان خطای انسانی، زمان و هزینه ی زیادی نیاز است تا مبتلا بودن یک فرد به سرطان ریه مشخص شود.

با توجه به اینکه تشخیص زودهنگام سرطان میتواند جان یک انسان را از مرگ نجات دهد، استفاده از هوش مصنوعی و خودکار کردن این فرایند طولانی، میتواند بسیار کمک کننده باشد.

مراحل سرطان ریه

برای طبقه بندی مراحل سرطان ریه، اغلب از سیستم TNM استفاده می شود:

  • T اندازه و محل تومور.
  • N تعداد غدد لنفاوی مجاور که درگیر شده اند.
  • M متاستاز، یا تا چه حد سرطان گسترش یافته است.

مراحل سرطان ریه بر اساس اندازه‌ی تومور و گسترش آن، به شرح زیر هستند:

نهفته یا پنهان:

سرطان در اسکن‌های تصویربرداری مشخص نمی‌شود، اما سلول‌های سرطانی در خلط وجود دارند و ممکن است به قسمت‌های دیگر بدن نیز رسیده باشند.

مرحله‌ی ۰:

سلول‌های غیر‌طبیعی تنها در لایه‌های بالایی سلول‌های پوششی راه‌های هوایی پیدا می‌شوند.

مرحله‌ی ۱:

اندازه‌ی تومور در ریه، کمتر از ۵ سانتی‌متر است و به سایر قسمت‌های بدن متاستاز نداده است.

مرحله‌ی ۲:

اندازه‌ی تومور کوچک‌تر از ۵ سانتی‌متر است و به گره‌های لنفاوی ریه گسترش یافته است و یا اندازه‌ی تومور کوچک‌تر از ۷ سانتی‌متر است و تنها به بافت‌های مجاور گسترش یافته و گره‌های لنفاوی را درگیر نکرده است.

مرحله‌ی ۳:

سرطان به سایر قسمت‌های ریه، بافت‌های اطراف آن و گره‌های لنفاوی گسترش یافته است.

مرحله‌ی ۴:

در این مرحله، سرطان در قسمت‌های مختلف بدن مانند استخوان یا مغز پخش شده و متاستاز داده است.

تعیین مرحله سرطان با پردازش تصاویر ریه

همانطور که گفته شد، برای تعیین اینکه سرطان ریه در چه مرحله ای است، از اندازه تومور و میزان گسترش آن استفاده می شود. این تشخیص معمولا با تصویر برداری از ریه انجام می شود.

هوش مصنوعی میتواند با روش های پردازش تصویر، مرحله و میزان گسترش تومور های سرطانی در ریه را پیش بینی کند.

 

انواع سرطان ریه

2 نوع اصلی سرطان ریه وجود دارد و متفاوت از هم درمان می شوند.

سرطان ریه سلول غیرکوچک (NSCLC)

حدود 80٪ تا 85٪ سرطان های ریه NSCLC هستند. زیرگروه های اصلی NSCLC، آدنوکارسینوم، کارسینوم سلول سنگفرشی و سرطان سلول بزرگ می باشند. این زیرگروه ها که از انواع مختلف سلول های ریوی شروع می شوند به عنوان NSCLC گروه بندی می شوند زیرا درمان و چشم انداز آنها اغلب مشابه است.

آدنوکارسینوما:

حدود 40درصد از موارد سرطان ریه آدنوکارسینوما هستند، و معمولا در قسمت های بیرونی ریه دیده می شوند. که این مورد باعث رشد کندتر سلول های تومور نسبت ب دو زیرگروه دیگر می شود، بنابرین شانس بیشتری در برداشت تومور قبل از گسترش آن وجود دارد.

آدنوکارسینوما

کارسینوم سلول سنگفرشی:

کارسینوم سلول سنگفرشی از سلول های سنگفرشی شروع می شود که مسطح هستند و درون مجاری تنفسی ریه ها وجود دارند. آن ها اغلب با سابقه سیگار کشیدن در ارتباط هستند و تمایل دارند در قسمت مرکزی ریه ها، نزدیک مجاری اصلی تنفسی (نایژه) پیدا شوند.

کارسینوم سلول سنگفرشی

سرطان سلول بزرگ:

کارسینوم سلول بزرگ می تواند در هر قسمت از ریه ظاهر شود و تمایل به رشد و گسترش سریع دارد که می تواند درمان آن را دشوار کند.

سرطان سلول بزرگ

 

سرطان ریه سلول کوچک (SCLC)

حدود 10 تا 15 درصد از کل سرطان های ریه SCLC هستند. این نوع سرطان ریه سریع تر از NSCLC رشد و گسترش می یابد. از آنجا که این سرطان به سرعت رشد می کند، به خوبی به شیمی درمانی و پرتودرمانی پاسخ می دهد.

 

بخش بندی تصاویر سرطان ریه و تشخیص نوع آن

در بالا به نوع های مختلف سرطان ریه و تفاوت آن ها اشاره کردیم. از هوش مصنوعی میتوان در بخش بندی کردن نوع های مختلف سرطان ریه کمک گرفت.

بطور مثال هوش مصنوعی میتواند با پردازش تصاویر اسکن ریه و با توجه به نوع تومور و محل قرارگیری آن، نوع سرطان ریه را تشخیص دهد؛

روش های پردازش تصویر و یادگیری عمیق

پردازش تصویر یکی از شاخه های پر استفاده هوش مصنوعی و یادگیری ماشینی است. معمولا با استفاده از الگوریتم های یادگیری عمیق مانند CNN و یا با استفاده از مدل های pre-train شده مانند Resnet پردازش تصویر صورت میگیرد.

یادگیری-عمیق-سرطان-ریهبرای بهتر شدن دقت مدل یادگیری عمیق از تکنیک هایی مانند Attention map و Feature fusion استفاده کرده ایم.

اتنشن مپ (Attention map)

نشان دهنده اهمیت نسبی فعال سازی لایه ها در مکان های مختلف فضای دو بعدی با توجه به وظیفه مورد نظر است. به عنوان مثال ، نقشه توجه شبکه ای از اعداد است که نشان می دهد چه مکان های 2 بعدی برای یک کار مهم هستند.

به بیان ساده تر، نقشه توجه مکان های دارای تومور داخل اسکن ریه را با رنگ پررنگ تری نسبت به سایر قسمت ها نشان میدهد:

attentionmap

فیچر فیوژن (Feature fusion)

Feature fusion یک روش مهم در تشخیص الگو است و کمک میکند که مدل، ویژگی های تصویر را برای توصیف اطلاعات داخلی با ارزشش بطور کامل یاد بگیرد. و پس از آن کاهش ابعاد، یک نمای فشرده از ویژگی های یکپارچه تصویر بدست می‌آوریم؛

این فرآیند باعث می‌شود که پردازش تصاویر با پیچیدگی محاسباتی کمتر و عملکرد بهتر صورت بگیرد.

به بیان دیگر در این روش، مجموعه ویژگی ها از چندین منبع با استفاده از normalization, transformation, reduction مناسب در یک ویژگی واحد ادغام می شوند؛

author-avatar

درباره محمد اسماعیلی

علاقه مند به مفاهیم هوش مصنوعی، دیتاساینس و سئو؛ مطالبی که برام جالب باشه رو اینجا می نویسم، و این دلیل بر متخصص بودن من در اون حوزه ها نمیشه😊

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.