مطالعه: فایده بالینی تشخیص سرطان پستان با هوش مصنوعی همچنان نامشخص است

هوش مصنوعی (AI) میتواند به رادیولوژیستها کمک کند نشانههای ظریف سرطان پستان را که ممکن است در ماموگرافیهای معمول از چشم آنها دور بماند، شناسایی کنند. همچنین این فناوری قادر است الگوهایی را تشخیص دهد که با افزایش خطر ابتلا به سرطان ارتباط دارند؛ حتی پیش از آنکه توموری قابل مشاهده باشد. بااینحال، بر اساس مروری پژوهشی به سرپرستی محققان مرکز جامع سرطان جانسون وابسته به دانشگاه کالیفرنیا در لسآنجلس (UCLA Health Jonsson Comprehensive Cancer Center)، محدودیتهای مهمی همچنان در این زمینه وجود دارد.
این مقاله مروری که در نشریه Journal of Breast Imaging منتشر شده است، وضعیت کنونی ابزارهای تجاری هوش مصنوعی را که برای کمک به تفسیر ماموگرافیهای غربالگری به کار میروند بررسی میکند و یافتههای پژوهشی درباره توانایی این ابزارها در شناسایی و پیشبینی سرطانهای پستانِ فاصلهای را جمعبندی میکند.
سرطان پستان فاصلهای به سرطانی گفته میشود که پس از یک نتیجه منفی در ماموگرافی غربالگری و پیش از نوبت بعدی غربالگری فرد تشخیص داده میشود. میزان بروز این نوع سرطان یکی از شاخصهای مهم برای ارزیابی عملکرد برنامههای غربالگری ماموگرافی است. این سرطانها اغلب تهاجمیتر از مواردی هستند که در جریان غربالگری معمول شناسایی میشوند.
تیفانی یو (Tiffany Yu)، استادیار رادیولوژی در دانشکده پزشکی دیوید گفن دانشگاه UCLA و نویسنده ارشد این مقاله، گفت: «هدف نهایی ماموگرافی غربالگری این است که سرطانهای فاصلهای را از میان ببریم و تا حد امکان تعداد بیشتری از آنها را در همان مرحله غربالگری و در زمانی زودتر شناسایی کنیم. با توجه به اینکه ابزارهای هوش مصنوعی بهتدریج در بازار تجاری بیشتر در دسترس قرار میگیرند، خواستیم مروری بهروز و درکی پایهای از سرطانهای فاصلهای و راههای احتمالی کمک هوش مصنوعی به شناسایی آنها ارائه دهیم؛ زیرا اطمینان از ایمنی و اثربخشی بالینی این ابزارها اهمیت اساسی دارد.»
برخی سرطانهای فاصلهای با سرعت زیادی رشد میکنند و در ماموگرافی قبلی قابل مشاهده نیستند. اما در موارد دیگر، نشانههای ظریفی از سرطان در تصاویر ماموگرافی پیشین وجود داشته که هنگام غربالگری شناسایی نشدهاند. این گروه دوم میتواند فرصتی برای استفاده از هوش مصنوعی فراهم کند تا رادیولوژیستها بتوانند سرطان را زودتر تشخیص دهند.
محققان مطالعاتی را بررسی کردند که دو کاربرد احتمالی هوش مصنوعی را ارزیابی کرده بودند. نخست، اینکه آیا این فناوری میتواند سرطانهای فاصلهای را که در تصاویر ماموگرافی قبلی، بهصورت گذشتهنگر قابل مشاهده بودهاند، شناسایی کند. دوم، اینکه آیا هوش مصنوعی میتواند الگوهای ظریفی را در ماموگرافیهایی که طبیعی به نظر میرسند تشخیص دهد؛ الگوهایی که با افزایش احتمال ابتلا به سرطان پستان در آینده ارتباط دارند.
در مجموع، مطالعات گذشتهنگر نشان دادند که هوش مصنوعی توانسته است بخش قابلتوجهی از سرطانهای فاصلهای را که نشانههای ظریفی از آنها در ماموگرافی قبلی وجود داشته است، شناسایی کند. بااینحال، برآوردها تفاوت زیادی داشتند و بسته به نوع مطالعه، سامانه هوش مصنوعی و روششناسی پژوهش، از حدود ۵ تا ۷۸ درصد متغیر بودند.
با وجود این یافتهها، محققان تأکید میکنند که شناسایی احتمالی سرطان با اثبات کاهش میزان سرطانهای فاصلهای تفاوت دارد. بیشتر این مطالعات به روش گذشتهنگر انجام شدهاند؛ به این معنا که پژوهشگران تصاویر ماموگرافی ثبتشده در گذشته را که مربوط به زنانی بوده است که بعدها به سرطان پستان مبتلا شدهاند، دوباره بررسی کردهاند تا مشخص شود آیا هوش مصنوعی میتوانسته نشانههای سرطان را در آن تصاویر شناسایی کند یا خیر.
هانا میلچ (Hannah Milch)، دانشیار رادیولوژی در دانشکده پزشکی دیوید گفن دانشگاه UCLA و از نویسندگان این مطالعه، اظهار کرد: «شناسایی یک سرطان در بررسی گذشتهنگر با اثبات اینکه استفاده از هوش مصنوعی در غربالگری معمول میتوانست به تشخیص زودتر آن منجر شود، تفاوت زیادی دارد. ما به شواهد حاصل از مطالعات آیندهنگر نیاز داریم که نشان دهند هوش مصنوعی واقعاً پیامدهای درمانی بیماران را تغییر میدهد.»
برخی مطالعات همچنین نشان میدهند که هوش مصنوعی ممکن است بتواند زنانی را که در معرض خطر بیشتری برای ابتلا به سرطان پستان هستند شناسایی کند، حتی اگر ماموگرافی آنها طبیعی به نظر برسد. در یکی از این مطالعات، هوش مصنوعی سه نوبت غربالگری پیش از تشخیص سرطان فاصلهای، بالاترین امتیازهای خطر را به ۲۳.۱ درصد از زنانی اختصاص داد که بعدها به این نوع سرطان مبتلا شدند. این میزان در ماموگرافی بلافاصله پیش از تشخیص به ۳۹.۴ درصد افزایش یافت.
این یافتهها این احتمال را مطرح میکنند که هوش مصنوعی بتواند پیش از آشکار شدن سرطان، هشداری زودهنگام ارائه دهد. بااینحال، هنوز مشخص نیست پزشکان در شرایطی که هیچ ناهنجاری قابل مشاهدهای در ماموگرافی وجود ندارد، باید چگونه به امتیاز خطر بالای اعلامشده از سوی هوش مصنوعی واکنش نشان دهند. انجام تصویربرداریهای تکمیلی ممکن است به تشخیص زودتر سرطان کمک کند، اما در عین حال میتواند به نتایج مثبت کاذب، اقدامات پزشکی غیرضروری و بیشتشخیصی نیز منجر شود.
در این مقاله مروری همچنین به یک کارآزمایی تصادفیسازیشده و کنترلشده آیندهنگر و گسترده در سال ۲۰۲۶ اشاره شده است که بیش از ۱۰۵ هزار زن را دربر میگرفت. این پژوهش، غربالگری با کمک هوش مصنوعی را با روش استاندارد تفسیر دوگانه تصاویر مقایسه کرد؛ روشی رایج در اروپا که در آن دو رادیولوژیست یک ماموگرافی را بهطور مستقل تفسیر میکنند. میزان سرطانهای فاصلهای در گروه تحت غربالگری با کمک هوش مصنوعی، به ازای هر هزار زن ۱.۵۵ مورد بود؛ درحالیکه این میزان در گروه غربالگری استاندارد به ۱.۷۶ مورد میرسید. حساسیت روش مبتنی بر هوش مصنوعی نیز بیشتر بود و به ۸۰.۵ درصد در برابر ۷۳.۸ درصد رسید، درحالیکه ویژگی هر دو روش یکسان و برابر با ۹۸.۵ درصد بود.
روش مبتنی بر هوش مصنوعی همچنین حجم کار غربالگری را ۴۴.۳ درصد کاهش داد، بدون آنکه نرخ کلی تشخیص سرطان پایین بیاید.
نویسندگان مقاله معتقدند این کارآزمایی یکی از قویترین شواهد آیندهنگر تا امروز درباره استفاده از هوش مصنوعی در ماموگرافی را ارائه میدهد. بااینحال، آنها هشدار میدهند که هدف اصلی این پژوهش ارزیابی عدمکماثربخشی روش جدید در مقایسه با روش استاندارد بوده است، نه اثبات قطعی کاهش میزان سرطانهای فاصلهای. همچنین شرایط غربالگری در این مطالعه با بسیاری از برنامههای غربالگری در آمریکا تفاوت داشت؛ از جمله استفاده از ماموگرافی دوبعدی، فاصله زمانی طولانیتر میان نوبتهای غربالگری و تفسیر تصاویر توسط دو رادیولوژیست.
محققان در بررسی کلی مطالعات دریافتند که میان پژوهشهای ارزیابیکننده هوش مصنوعی و سرطانهای فاصلهای تفاوتهای قابلتوجهی وجود دارد. در مطالعات مختلف، تعریف سرطان فاصلهای، فناوریهای غربالگری، فاصله زمانی میان غربالگریها و شیوه کاری رادیولوژیستها یکسان نیست. افزون بر این، بیشتر پژوهشها تنها تعداد محدودی از الگوریتمهای هوش مصنوعی را ارزیابی کردهاند؛ بنابراین مشخص نیست نتایج بهدستآمده از یک سامانه را بتوان به سامانههای دیگر نیز تعمیم داد یا خیر.
یو در اینباره گفت: «این تفاوتها، بهدلیل اختلاف میان برنامههای غربالگری در کشورهای مختلف و کمبود مطالعاتی که با شرایط برنامههای غربالگری آمریکا مطابقت داشته باشند، مقایسه مستقیم نتایج را دشوار میکنند. این مسئله همچنین حوزههای مهمی را مشخص میکند که پیش از ادغام کامل این ابزارها در مراقبتهای روزمره، به پژوهش بیشتری در آنها نیاز داریم.»
محققان میگویند مطالعات آینده باید بیماران را بهصورت آیندهنگر و در طول زمان پیگیری کنند و مشخص سازند که آیا غربالگری با کمک هوش مصنوعی میزان سرطانهای فاصلهای را کاهش میدهد یا خیر. این مطالعات همچنین باید تأثیر این فناوری بر میزان فراخوان بیماران برای بررسیهای بیشتر، نتایج مثبت کاذب، حجم کار رادیولوژیستها و آزمایشها و بررسیهای تکمیلی پس از غربالگری را ارزیابی کنند. بررسی پیامدهای بلندمدت برای بیماران و نظارت پس از عرضه بر سامانههای تجاری هوش مصنوعی نیز برای تعیین ایمنی و اثربخشی این فناوریها اهمیت خواهد داشت.
خاویر گالوان (Javier Galvan)، از بخش علوم رادیولوژی دانشگاه UCLA، نویسنده اول این مطالعه است. نیکی نورمحمدی (Niki Nourmohammadi)، پزشک دستیار رشته رادیولوژی در نظام سلامت لارکین (Larkin Health System)، دیگر نویسنده این پژوهش است.
