زمان مطالعه: 2 دقیقه
یک تیم تحقیقاتی در دانشگاه هنگ‌کنگ (HKU) ابزاری مبتنی بر هوش مصنوعی به نام «Cyto-Morphology Adversarial Distillation» (CytoMAD) برای تشخیص سریع و دقیق سرطان توسعه داده است.
این فناوری که به رهبری پروفسور «کوین تسیا» از دانشکده مهندسی این دانشگاه انجام شده، قادر است تجزیه و تحلیل دقیق تک سلولی را بدون نیاز به تکنیک‌های سنتی برچسب‌گذاری انجام دهد. این فناوری در همکاری با دانشکده پزشکی لی کا شینگ و بیمارستان کویین مری HKU آزمایش شده و در ارزیابی بیماران مبتلا به سرطان ریه و فرآیندهای غربالگری دارو موثر واقع شده است.
CytoMAD توانایی بهبود تصویرسازی سلولی را دارد و به طور خودکار ناهماهنگی‌ها را اصلاح کرده و وضوح تصویر را افزایش می‌دهد. این پیشرفت باعث تحلیل داده‌های معتبرتر و تصمیم‌گیری پزشکی بهتر می‌شود. این فناوری به سیستم میکروفلوئیدی اختصاصی متصل می‌شود که امکان تصویربرداری سریع و مقرون به صرفه از سلول‌های انسانی را فراهم می‌آورد. با ارائه تصویربرداری تک سلولی با وضوح بالا، به پزشکان کمک می‌کند تا ویژگی‌های تومور را ارزیابی کرده و خطر متاستاز را بررسی کنند.
تصویربرداری سنتی به رنگ‌آمیزی و برچسب‌گذاری نمونه‌های سلولی نیاز دارد که زمان‌بر و پرهزینه است. CytoMAD این نیاز را حذف کرده و فرآیند آماده‌سازی نمونه را ساده‌سازی و جریان‌های کاری تشخیصی را تسریع می‌کند. این مدل هوش مصنوعی تصاویر معمولی از میدان روشن را به نمایش‌های دقیق‌تری تبدیل می‌کند و ویژگی‌های سلولی را که معمولاً قابل تجزیه و تحلیل نیستند، نمایان می‌سازد.
یکی از مشکلات روش‌های تصویربرداری سلولی موجود، وابستگی آن‌ها به فرآیندهای کند و پرهزینه است که ممکن است تصمیم‌گیری‌های درمانی حیاتی را به تأخیر بیندازد. بسیاری از راه‌حل‌های موجود به نشانگرهای فلورسانس نیاز دارند که مراحل اضافی و هزینه‌های بیشتری را به دنبال دارد. CytoMAD یک جایگزین بدون برچسب ارائه می‌دهد که این محدودیت‌ها را کاهش داده و دقت را حفظ می‌کند. با استفاده از هوش مصنوعی تولیدی، این سیستم تصاویر کم کنتراست را به تجسم‌های اطلاعاتی بیشتری تبدیل می‌کند که بینش‌های عمیق‌تری در مورد مورفولوژی سلول بدون نیاز به رنگ‌آمیزی شیمیایی ارائه می‌دهد.
یک چالش دیگر در تصویربرداری سلولی، تغییرات ناشی از تفاوت در پیکربندی‌های تجهیزات و پروتکل‌های تصویربرداری است که اغلب به عنوان «اثر دسته‌ای» شناخته می‌شود. این ناهماهنگی‌ها می‌توانند تفسیر بیولوژیکی دقیق را مختل کنند. بسیاری از راه‌حل‌های یادگیری ماشین موجود به فرضیات از پیش تعیین‌شده درباره داده‌ها وابسته هستند، اما CytoMAD این محدودیت را با کارکرد بدون داده‌های از پیش تعیین‌شده برطرف می‌کند.
این سیستم از یک فناوری تصویربرداری نوری فوق‌سریع بهره می‌برد که توسط تیم تحقیقاتی توسعه یافته و قادر است میلیون‌ها تصویر سلولی را روزانه ثبت کند. این قابلیت بالا در حجم داده‌ها باعث تسریع در آموزش و بهینه‌سازی مدل هوش مصنوعی می‌شود.
CytoMAD فراتر از تشخیص سرطان ریه، پتانسیل تسریع فرآیند کشف دارو را دارد. ترکیب تصویربرداری سریع و تحلیل هوش مصنوعی این امکان را فراهم می‌کند که فرآیندهای غربالگری دارو را کارآمدتر از روش‌های سنتی انجام دهد.
تیم تحقیقاتی به دنبال تأمین مالی برای یک آزمایش بالینی سه‌ساله بر روی بیماران مبتلا به سرطان ریه است تا نتایج را با استفاده از تصویربرداری مبتنی بر هوش مصنوعی پیگیری کند. این مطالعه می‌تواند موجب پذیرش گسترده‌تر هوش مصنوعی در تشخیص پزشکی و بهبود کارایی و مقیاس‌پذیری راه‌حل‌های بهداشتی شود.
