تشخیص زودهنگام سرطان حنجره یکی از عوامل مهم در افزایش احتمال حفظ عملکرد طبیعی حنجره و بهبود نتایج درمانی بیماران است. با وجود پیشرفتهای قابل توجه در روشهای تصویربرداری آندوسکوپیک، تشخیص ضایعات اولیه حنجره همچنان میتواند چالشبرانگیز باشد؛ زیرا برخی ضایعات پیشسرطانی و مراحل ابتدایی سرطان ممکن است از نظر ظاهری شباهت زیادی به ضایعات خوشخیم داشته باشند و تفسیر تصاویر به تجربه پزشک وابسته باشد.
در یک پژوهش جدید، محققان یک سامانه مبتنی بر هوش مصنوعی و مدلهای Vision Transformer را برای تحلیل تصاویر Narrow Band Imaging (NBI) حنجره توسعه دادهاند. هدف این مطالعه، ایجاد ابزاری کمکی برای متخصصان جهت تفکیک ضایعات خوشخیم و بدخیم حنجره و کاهش تفاوت در تفسیر تصاویر میان پزشکان با سطوح مختلف تجربه بوده است.
نقش NBI در بررسی ضایعات حنجره
تصویربرداری Narrow Band Imaging (NBI) یک روش آندوسکوپیک پیشرفته است که با استفاده از طول موجهای مشخص نور، الگوهای عروقی سطح مخاط را واضحتر نشان میدهد. تغییرات عروقی میتوانند در شناسایی ضایعات نئوپلاستیک (توموری) و مراحل اولیه سرطان حنجره اهمیت داشته باشند.
با این حال، استفاده مؤثر از NBI نیازمند آموزش و تجربه کافی است و تفاوت در تفسیر تصاویر میان متخصصان میتواند بر تصمیمگیری تشخیصی اثر بگذارد. پژوهشگران در این مطالعه تلاش کردهاند با استفاده از هوش مصنوعی، یک سیستم کمکی ایجاد کنند که بتواند الگوهای موجود در تصاویر NBI را بهصورت استاندارد تحلیل کند.
طراحی سیستم هوش مصنوعی
در این پژوهش، محققان از معماری Vision Transformer (ViT) استفاده کردند؛ مدلی از هوش مصنوعی که توانایی تحلیل ارتباطات گسترده میان بخشهای مختلف یک تصویر را دارد.
این مدل با استفاده از مکانیزم Attention تلاش میکند بخشهایی از تصویر را که بیشترین اهمیت را در تصمیمگیری تشخیصی دارند شناسایی کند.
یکی از ویژگیهای مهم این سیستم، قابلیت توضیحپذیری (Explainability) آن بود. به این معنا که مدل تنها یک نتیجه نهایی ارائه نمیدهد، بلکه با مشخص کردن نواحی مهم تصویر، به پزشک نشان میدهد کدام بخشهای ضایعه بیشترین نقش را در طبقهبندی داشتهاند. این ویژگی برای استفاده بالینی هوش مصنوعی اهمیت زیادی دارد؛ زیرا تصمیمهای پزشکی باید قابل تفسیر و بررسی باشند.
نتایج مطالعه
بر اساس نتایج منتشرشده، مدل هوش مصنوعی توانست در طبقهبندی ضایعات حنجره عملکرد قابل قبولی نشان دهد.
در ارزیابی این سیستم:
- دقت کلی (Accuracy): حدود ۸۲٫۳۳ درصد
- امتیاز F1 مدل: حدود ۸۲٫۷۲ درصد
گزارش شد.
همچنین، مدل توانست نواحی دارای اهمیت پاتولوژیک را در تصاویر مشخص کند تا متخصصان بتوانند بهتر متوجه شوند که سیستم بر اساس کدام ویژگیهای تصویری تصمیم گرفته است.
اهمیت بالینی یافتهها
نتایج این مطالعه نشان میدهد که هوش مصنوعی میتواند در آینده به عنوان یک ابزار کمکی در کنار متخصصان حنجره مورد استفاده قرار گیرد؛ بهخصوص در شرایطی که تشخیص ضایعات اولیه دشوار است یا نیاز به بررسی تعداد زیادی تصویر آندوسکوپیک وجود دارد.
با این حال، نویسندگان تأکید میکنند که این فناوری هنوز جایگزین معاینه تخصصی، آندوسکوپی توسط پزشک و بررسی پاتولوژی نیست. استفاده بالینی گسترده از چنین سیستمهایی نیازمند مطالعات بیشتر، آزمایش در مراکز مختلف و ارزیابی روی جمعیتهای متنوع بیماران خواهد بود.
چشمانداز آینده
ترکیب آندوسکوپی پیشرفته NBI با هوش مصنوعی میتواند مسیر جدیدی برای تشخیص زودتر سرطان حنجره ایجاد کند. در آینده، این فناوریها ممکن است به متخصصان کمک کنند تا ضایعات مشکوک را سریعتر شناسایی کرده، تصمیمگیری درمانی دقیقتری داشته باشند و احتمال تشخیص دیرهنگام بیماری را کاهش دهند.
