به گزارش ایسنا، در یک موفقیت دیگر برای هوش مصنوعی در مراقبت‌های بهداشتی، محققان مدلی را تهیه کرده‌اند که می‌تواند تومورهای مغزی را که ممکن است جراحان در هنگام برداشت آنها از بیماران نبینند، نشان دهد.
این مدل می‌تواند این بافت‌های باقیمانده را تنها در مدت ۱۰ ثانیه تشخیص دهد و به جلوگیری از عوارض طولانی مدت و کوتاه مدت پس از عمل جراحی کمک کند.
تومورهای باقیمانده می‌توانند طیف گسترده‌ای از عوارض پس از عمل را ایجاد کنند و بر کیفیت زندگی بیماران تأثیر بگذارند.
این فناوری موسوم به «فست‌گلیوما»(Fastglioma) که توسط محققان دانشگاه میشیگان و کالیفرنیا سانفرانسیسکو ساخته شده است، شامل اصطلاح «گلیوما» است که به تومور مغز یا نخاع اشاره دارد.
تاد هولون(Todd Hollon)، نویسنده ارشد این مطالعه که جزئیات اثربخشی این مدل را در مجله نیچر منتشر کرده است، می‌گوید: این فناوری سریعتر و دقیق‌تر از استانداردهای فعلی مراقبت برای تشخیص تومور کار می‌کند و می‌تواند به تشخیص تومور مغزی کودکان و بزرگسالان تعمیم یابد. این مدل همچنین می‌تواند به عنوان یک الگوی اساسی برای هدایت جراحی تومور مغز عمل کند.
در اکثر جراحی‌های حذف تومور، تشخیص بافت سالم مغز و بافت توموری از هم دشوار است و در نتیجه، کمی از تومور می‌تواند در حفره‌ای که تومور از آن برداشته شده است، باقی بماند.
این امر می‌تواند منجر به عوارض مختلف از جمله تشنج، عفونت، سردرد، وخامت شناختی و اختلال عملکرد حرکتی شود.
در حالی که این تومورهای باقیمانده می‌توانند با استفاده از تصویربرداری MRI یا یک عامل تصویربرداری فلورسنت هویدا شوند، اما این روش‌های تصویربرداری همیشه در حین عمل در دسترس نیستند و یا برای انواع تومورها کاربرد ندارند.
همچنین تلاش‌های دیگری برای مقابله با مشکل تومورهای باقیمانده مانند نابودی با لیزر و استفاده از نانوذرات طلا برای تصویربرداری در طول جراحی صورت گرفته است. با این حال این روش‌ها هنوز تجاری نشده‌اند.
اکنون «فست‌گلیوما» با توجه به اینکه سیستم تشخیص آن با قدرت هوش مصنوعی فقط نیاز به دسترسی به مدل منبع‌باز و محاسبه دارد، می‌تواند به موفقیت بیشتری دست پیدا کند.
«فست‌گلیوما» از مدل‌های بنیادین بهره‌مند شده است و با مجموعه داده‌های بزرگ برای کاربردهای مختلفی آموزش دیده است.
در این مورد، «فست‌گلیوما» با استفاده از بیش از ۱۱ هزار نمونه جراحی و ۴ میلیون تصویر میکروسکوپی منحصر به فرد، آموزش دیده است. همچنین نمونه‌های توموری که به آنها نگاه کرده است، از طریق یک روش تصویربرداری با وضوح بالا تصویربرداری شده بودند.
این کار این سیستم را قادر می‌سازد تا با استفاده از تصاویر با وضوح کامل با دقت ۹۲ درصدی، تومور را تنها ظرف ۱۰ ثانیه تشخیص دهد.
گفتنی است که «فست‌گلیوما» حتی هنگام استفاده از تصاویر با وضوح پایین نیز توانست فقط در ۱۰ ثانیه به دقت ۹۰ درصدی برسد.
این مدل هوش مصنوعی باعث می‌شود جراحان بتوانند به سرعت تشخیص دهند که آیا تومور کامل برداشته شده است یا هنوز مقداری از آن باقی مانده است.
این فناوری بزرگترین پیشرفت در بهبود میزان شناسایی تومورهای باقیمانده در دو دهه گذشته است که می‌تواند به بهبود چشمگیر کیفیت زندگی بیماران بعد از عمل کمک کند.
«فست‌گلیوما» همچنین می‌تواند برای کمک به انواع دیگر بیماران در آینده نزدیک نیز توسعه یابد.
توسعه دهندگان «فست‌گلیوما» می‌گویند ما در مطالعات بعدی به استفاده از این مدل در سایر سرطان‌ها از جمله سرطان‌های ریه، پروستات، پستان و سر و گردن توجه خواهیم کرد.
انتهای پیام
به گزارش ایسنا، در یک موفقیت دیگر برای هوش مصنوعی در مراقبت‌های بهداشتی، محققان مدلی را تهیه کرده‌اند که می‌تواند تومورهای مغزی را که ممکن است جراحان در هنگام برداشت آنها از بیماران نبینند، نشان دهد.
این مدل می‌تواند این بافت‌های باقیمانده را تنها در مدت ۱۰ ثانیه تشخیص دهد و به جلوگیری از عوارض طولانی مدت و کوتاه مدت پس از عمل جراحی کمک کند.
تومورهای باقیمانده می‌توانند طیف گسترده‌ای از عوارض پس از عمل را ایجاد کنند و بر کیفیت زندگی بیماران تأثیر بگذارند.
این فناوری موسوم به «فست‌گلیوما»(Fastglioma) که توسط محققان دانشگاه میشیگان و کالیفرنیا سانفرانسیسکو ساخته شده است، شامل اصطلاح «گلیوما» است که به تومور مغز یا نخاع اشاره دارد.
تاد هولون(Todd Hollon)، نویسنده ارشد این مطالعه که جزئیات اثربخشی این مدل را در مجله نیچر منتشر کرده است، می‌گوید: این فناوری سریعتر و دقیق‌تر از استانداردهای فعلی مراقبت برای تشخیص تومور کار می‌کند و می‌تواند به تشخیص تومور مغزی کودکان و بزرگسالان تعمیم یابد. این مدل همچنین می‌تواند به عنوان یک الگوی اساسی برای هدایت جراحی تومور مغز عمل کند.
در اکثر جراحی‌های حذف تومور، تشخیص بافت سالم مغز و بافت توموری از هم دشوار است و در نتیجه، کمی از تومور می‌تواند در حفره‌ای که تومور از آن برداشته شده است، باقی بماند.
این امر می‌تواند منجر به عوارض مختلف از جمله تشنج، عفونت، سردرد، وخامت شناختی و اختلال عملکرد حرکتی شود.
در حالی که این تومورهای باقیمانده می‌توانند با استفاده از تصویربرداری MRI یا یک عامل تصویربرداری فلورسنت هویدا شوند، اما این روش‌های تصویربرداری همیشه در حین عمل در دسترس نیستند و یا برای انواع تومورها کاربرد ندارند.
همچنین تلاش‌های دیگری برای مقابله با مشکل تومورهای باقیمانده مانند نابودی با لیزر و استفاده از نانوذرات طلا برای تصویربرداری در طول جراحی صورت گرفته است. با این حال این روش‌ها هنوز تجاری نشده‌اند.
اکنون «فست‌گلیوما» با توجه به اینکه سیستم تشخیص آن با قدرت هوش مصنوعی فقط نیاز به دسترسی به مدل منبع‌باز و محاسبه دارد، می‌تواند به موفقیت بیشتری دست پیدا کند.
«فست‌گلیوما» از مدل‌های بنیادین بهره‌مند شده است و با مجموعه داده‌های بزرگ برای کاربردهای مختلفی آموزش دیده است.
در این مورد، «فست‌گلیوما» با استفاده از بیش از ۱۱ هزار نمونه جراحی و ۴ میلیون تصویر میکروسکوپی منحصر به فرد، آموزش دیده است. همچنین نمونه‌های توموری که به آنها نگاه کرده است، از طریق یک روش تصویربرداری با وضوح بالا تصویربرداری شده بودند.
این کار این سیستم را قادر می‌سازد تا با استفاده از تصاویر با وضوح کامل با دقت ۹۲ درصدی، تومور را تنها ظرف ۱۰ ثانیه تشخیص دهد.
گفتنی است که «فست‌گلیوما» حتی هنگام استفاده از تصاویر با وضوح پایین نیز توانست فقط در ۱۰ ثانیه به دقت ۹۰ درصدی برسد.
این مدل هوش مصنوعی باعث می‌شود جراحان بتوانند به سرعت تشخیص دهند که آیا تومور کامل برداشته شده است یا هنوز مقداری از آن باقی مانده است.
این فناوری بزرگترین پیشرفت در بهبود میزان شناسایی تومورهای باقیمانده در دو دهه گذشته است که می‌تواند به بهبود چشمگیر کیفیت زندگی بیماران بعد از عمل کمک کند.
«فست‌گلیوما» همچنین می‌تواند برای کمک به انواع دیگر بیماران در آینده نزدیک نیز توسعه یابد.
توسعه دهندگان «فست‌گلیوما» می‌گویند ما در مطالعات بعدی به استفاده از این مدل در سایر سرطان‌ها از جمله سرطان‌های ریه، پروستات، پستان و سر و گردن توجه خواهیم کرد.
انتهای پیام
