تفاوت میان یک عکس ثابت و یک سکانس سینمایی در تشخیص بیماری، میتواند مرز میان پیشگیری و درمان دیرهنگام باشد. مدل NYU-DRP با تحلیل تکامل بافت سینه در طول چندین سال غربالگری، میتواند ریسک ۵ ساله ابتلا به سرطان سینه را با دقت بالایی پیشبینی کند. این تغییر رویکرد از تحلیل تصاویر ایستا به تحلیل طولی (Longitudinal Analysis)، به هوش مصنوعی اجازه میدهد الگوهای ظریفی از تغییرات را شناسایی کند که در معاینات تکمرحلهای معمولاً نادیده گرفته میشوند.
در حال حاضر، اکثر مدلهای پیشبینی ریسک مبتنی بر تصویر از ماموگرافی دیجیتال میدان کامل (FFDM) استفاده میکنند. با وجود اینکه ماموگرافی سهبعدی یا توموسنتز دیجیتال سینه (DBT) به استاندارد غربالگری در ایالات متحده تبدیل شده است، اما ظرفیت آن برای پیشبینی بلندمدت ریسک تا به امروز تا حد زیادی دستنخورده باقی مانده بود.
طبق گزارشی که در ۱۲ اوت ۲۰۲۶ در مجله آمریکایی رادیولوژی (AJR) منتشر شد، تیم تحقیقاتی NYU Langone Health و مرکز سرطان Perlmutter برای پر کردن این شکاف اقدام کردند. این مقاله با عنوان «پیشبینی ریسک ۵ ساله سرطان سینه از توموسنتز دیجیتال سینه طولی: یک مطالعه گذشتهنگر تکمرکزی» در ۳ اوت ۲۰۲۶ پذیرفته شد و دارای شناسه دیجیتال (DOI) 10.2214/AJR.26.34951 است.
همانطور که در تحلیلهای پیشین ما دربارهی کاربردهای بینایی ماشین در پزشکی اشاره کردیم، کلید پیشرفت در این حوزه، عبور از تشخیصهای لحظهای به سمت تحلیلهای روند محور است. این تیم ابزاری بر پایه یادگیری عمیق (Deep Learning) توسعه دادند که قادر است سوابق طولی بیمار را که طی غربالگریهای سالانه جمعآوری شده، پردازش کند. یانکی شو، محقق ارشد این پروژه، تأکید کرد که NYU-DRP از ماموگرافیهای سهبعدی موجود استفاده میکند تا ریسک آینده را بر اساس نحوه تغییر بافت سینه در طول زمان تعیین کند.
مجموعه داده و معماری مدل
این تحلیل گذشتهنگر در مقیاسی گسترده انجام شد و از ۳۱۳,۳۳۵ معاینه DBT از ۱۶۱,۰۷۷ زن استفاده کرد. این دادهها از ژانویه ۲۰۱۶ تا اوت ۲۰۲۰ در یک مؤسسه بهداشتی جمعآوری شده و میانگین سنی بیماران ۵۸.۵ سال بوده است. گزارشهای تکمیلی حاکی از آن است که مدل نهایی بر اساس ۳۱۳,۵۳۱ ماموگرافی سهبعدی سالانه از ۱۶۱,۱۶۵ زن بدون سابقه سرطان سینه ساخته شده است.
مدل NYU-DRP تنها به تصاویر متکی نیست و سه جریان دادهای اصلی را برای تخمین ریسک ترکیب میکند:
- معاینات طولی DBT (تاریخچه اسکنهای سهبعدی)
- سن بیمار
- تراکم بافت سینه
معیارهای عملکرد
در یک مجموعه آزمون مستقل شامل ۳۴,۵۷۰ معاینه، مدل DRP طولی به سطح زیر منحنی (AUC) ۰.۷۲۱ (با فاصله اطمینان ۹۵٪ بین ۰.۶۹۸ تا ۰.۷۴۴) برای بازه ۵ ساله دست یافت. بر اساس مستندات پژوهش، این نتیجه یک بهبود آماری معنادار (p < .۰۰۱) نسبت به روشهای دیگر است:
- مدل DBT تکزمانی: AUC ۰.۷۰۷ (با فاصله اطمینان ۹۵٪ بین ۰.۶۸۳ تا ۰.۷۳۰)
- مدل Mirai (با استفاده از FFDM همان روز): AUC ۰.۶۸۷ (با فاصله اطمینان ۹۵٪ بین ۰.۶۶۳ تا ۰.۷۱۰)
این نتایج به این معناست که مدل جدید در ۷۲ درصد موارد، زنان در معرض ریسک بالاتر را بهدرستی رتبهبندی کرده است، در حالی که مدل تکزمانی این کار را در ۷۰ درصد و مدل Mirai در ۶۸ درصد موارد انجام داده است.
وقتی این ابزار با مدل بالینی Tyrer-Cuzick — که بهجای اسکن، بر تاریخچه خانوادگی و جهشهای ژنتیکی تکیه دارد — مقایسه شد، شکاف عملکرد عمیقتر شد. در یک گروه کنترل-مورد (case-control) شامل ۴۳۲ زن، NYU-DRP به AUC ۰.۶۷۶ (با فاصله اطمینان ۹۵٪ بین ۰.۶۲۶ تا ۰.۷۲۶) رسید، در حالی که مدل Tyrer-Cuzick تنها ۰.۵۶۳ (با فاصله اطمینان ۹۵٪ بین ۰.۵۰۹ تا ۰.۶۱۹؛ p <.۰۰۱) را ثبت کرد. مدل Tyrer-Cuzick بر اطلاعات پزشکی شخصی و خانوادگی مانند سن، جهشهای ژنتیکی و تراکم سینه تأیید شده توسط بیوپسی تکیه دارد.
به چالش کشیدن فرض تراکم بافت
یکی از تکاندهندهترین یافتهها مربوط به تراکم سینه است. اگرچه بافت متراکم یک عامل ریسک شناختهشده است، اما این مدل نشان داد که تراکم به تنهایی پیشبینیکننده ناقصی است.
در میان زنانی با سینههای بسیار متراکم، مدل ۳۹.۷ درصد (۷۴۶ نفر از ۱,۸۷۷ نفر) را در گروه ریسک متوسط طبقهبندی کرد و میزان واقعی ابتلا در این گروه طی ۵ سال تنها ۰.۸ درصد (۶ نفر از ۷۴۶ نفر) بود. در مقابل، ۱۴.۸ درصد (۳۸۶ نفر از ۲,۶۰۵ نفر) از زنان با بافت چربی (تراکم کم) در گروه ریسک بالا قرار گرفتند و نرخ ابتلا در آنها ۲.۶ درصد (۱۰ نفر از ۳۸۶ نفر) بود.
این یافته نشان میدهد تغییرات زمانی که توسط NYU-DRP ثبت میشود، پروفایل ریسک دقیقتری نسبت به اندازهگیری ایستا ارائه میدهد. ییکیو شن، محقق ارشد، بیان کرد که ماموگرافیهای سهبعدی مکرر حاوی اطلاعاتی هستند که توسط تراکم سینه یا یک ماموگرافی تک را نمیتوان بهطور کامل استخراج کرد.
محدودیتهای فنی
پژوهشگران اشاره کردند که کمتر از ۳ درصد از زنان مورد آزمایش تا پایان دوره مطالعه در سال ۲۰۲۵ به سرطان سینه مبتلا شدند. همچنین، تمام آزمایشها با تجهیزات شرکت Hologic Inc از شهر مارلبورو در ماساچوست انجام شده است که این مطالعه را به یک پژوهش گذشتهنگر تکمرکزی تبدیل میکند.
برای جامعه فنی، این نتیجه معیار ارزیابی ریسک را جابهجا میکند. این مدل ثابت میکند که «دلتا» یا همان تغییر بین اسکنها، یک ویژگی (Feature) با ارزش بالا برای مدلهای یادگیری عمیق در انکولوژی است و احتمالاً اهمیت بیشتری نسبت به وضعیت مطلق بافت در یک فریم واحد دارد. این رویکرد در راستای تلاشهای گستردهتر برای کاهش توصیههای نادرست و بیشاطمینانی مدلهای هوش مصنوعی در انکولوژی قرار دارد تا دقت تشخیصهای بالینی افزایش یابد.
زمینه بالینی و اهداف آینده
با حرکت به سمت ارزیابی پویای ریسک، پزشکان میتوانند از رویکرد «یک اندازه برای همه» در غربالگری فاصله بگیرند. دکتر لورا هیکاک اشاره کرد که این ابزار به پزشکان کمک میکند غربالگری را بر اساس ریسک واقعی شخصیسازی کنند و افرادی را که از غربالگریهای تکمیلی سود میبرند شناسایی کرده و در عین حال از آزمایشهای غیرضروری برای افراد کمریسک بکاهند.
این موضوع با توجه به آمار ایالات متحده حیاتی است؛ تخمین زده میشود از هر ۸ زن، یک نفر در طول زندگی خود با سرطان سینه مواجه شود و در سال ۲۰۲۶ حدود ۳۸۲,۶۴۰ مورد تشخیص جدید پیشبینی میشود. در حالی که بیش از ۴۳ میلیون ماموگرافی در سال ۲۰۲۵ انجام شد و متخصصان غربالگری سالانه را از سن ۴۰ سالگی توصیه میکنند، تشخیص زودهنگام کلید نجات است؛ نرخ بقای نسبی ۵ ساله در مراحل اولیه تشخیص بیش از ۹۹ درصد است.
محققان اکنون قصد دارند از برنامه DBT طولی برای ردیابی پیشدستانه سلامت سینه زنان استفاده کنند. آنها قصد دارند این ابزار را با دادههای مراکز بهداشتی دانشگاهی دیگر و سختافزارهای مختلف تطبیق دهند تا تعمیمپذیری (Generalizability) آن را تضمین کنند. این تلاشها در کنار ظهور مدلهای تخصصی جدیدی مانند OpenEvidence که استانداردهای پاسخدهی در پزشکی را جابهجا کردهاند، چشمانداز تشخیصهای دقیقتر را ترسیم میکند.
بودجه و همکاریها
بودجه این تحقیق از چندین منبع تأمین شده است، از جمله:
- گرنت ۱۹۲۲۶۵۸ بنیاد ملی علوم (NSF)
- گرنت R01EB036530 مؤسسات ملی بهداشت (NIH)
- صندوق پروژه آزمایشی Milstein
- صندوق کشف سرطان سینه Shifrin-Myers
- ائتلاف زنان Manhasset علیه سرطان سینه
علاوه بر شو، شن و هیکاک، در این مطالعه محققانی چون جونگکیو پارک، فلیسیا پاسادین، چی لی، آلانا لوین، کریستوف گراس، لیندا موی و فریا شنابل همکاری داشتند.
گام بعدی شما
- ردیابی مقایسهای بین مدلهای استاتیک و دینامیک در تشخیصهای پزشکی برای درک قدرت تحلیلهای طولی.
- بررسی استانداردهای دادهای برای ذخیرهسازی تصاویر پزشکی بهگونهای که برای مدلهای یادگیری عمیق قابل پردازش باشند.
- مطالعه اثرات ادغام دادههای ژنتیکی با تحلیلهای تصویری طولی برای رسیدن به دقت نزدیک به ۱۰۰ درصد.
اما چالش اصلی در این مسیر، استانداردسازی دادهها بین شرکتهای مختلف سختافزاری است — به تحلیل ما درباره interoperability در دادههای پزشکی مراجعه کنید.
گفتگو