سرطان پروستات به عنوان دومین سرطان شایع در میان مردان، سالانه هزاران نفر را در سراسر جهان درگیر میکند. تشخیص زودهنگام و دقیق این بیماری، بزرگترین چالش پیش روی پزشکان است، چرا که روشهای سنتی گاه از تشخیص گستره واقعی بیماری یا پیشبینی رفتار تهاجمی تومور ناتوان هستند. حالا پژوهشی جدید در ایران، نویدبخش تحولی اساسی در این حوزه است.
محققان در یک طرح تحقیقاتی پیشگامانه، موفق شدند با استفاده از تصاویر PET/CT با ماده ردیاب Ga-PSMA و تحلیل آن با الگوریتمهای هوش مصنوعی، به دقت بالایی در مرحلهبندی(استیجینگ) اولیه سرطان پروستات دست یابند.
واکنش ۹۷ درصدی تومورها به اسکن جدید
دکتر اسماعیل جعفری، پژوهشگر مرکز تحقیقات پزشکی هستهای و عضو هیئت علمی دانشگاه علوم پزشکی بوشهر، در گفتوگو با ایسنا با اعلام این خبر گفت: در این مطالعه که روی تعداد قابل توجهی از بیماران انجام شد، دریافتیم که اسکن PET/CT با ماده Ga-PSMA قادر است در بیش از ۹۷ درصد موارد، کانون اصلی تومور پروستات را با وضوح بالا نشان دهد. این یعنی حساسیت فوقالعاده این روش تصویربرداری در مقایسه با روشهای متداول.
"موشک هدایتشونده" علیه سلولهای سرطانی
او در توضیح این فناوری افزود: در تصویربرداری PET/CT با ماده Ga-PSMA، از مادهای استفاده میشود که مانند یک "موشک هدایتشونده" عمل کرده و به پروتئینی به نام PSMA که روی سطح سلولهای سرطانی پروستات به مقدار زیاد وجود دارد، میچسبد. این ویژگی به ما اجازه میدهد حتی کوچکترین سلولهای سرطانی را در بدن ردیابی کنیم.
هوش مصنوعی چگونه به کمک پزشکان آمد؟
اما نقطه عطف این پژوهش، استفاده از هوش مصنوعی برای تحلیل همین تصاویر است. تیم تحقیقاتی با استخراج پارامترهایی مانند حجم کل تومور (PSMA-TV)، شدت جذب ماده ردیاب (SUVmax و SUVmean) و شاخصهای ترکیبی (TL-PSMA)، مدلهای پیشبینی کنندهای طراحی کردند.
دقت ۸۶ درصدی در تشخیص تومورهای تهاجمی
این عضو هیات علمی دانشگاه علوم پزشکی بوشهر در تشریح نتایج به دست آمده بیان کرد: ما متوجه شدیم که ارتباط مستقیمی بین این پارامترهای حجمی و میزان "PSA" (پروتئینی که در خون بیماران پروستاتی بالا میرود) و همچنین "نمره گلیسون" (معیاری برای سنجش تهاجمی بودن سلولهای سرطانی) وجود دارد. هرچه تومور در تصاویر بزرگتر و پرنورتر (با جذب بیشتر) دیده شود، تهاجمیتر است.
جعفری افزود: در مرحله بعد، الگوریتمهای هوش مصنوعی را آموزش دادیم تا بر اساس همین دادهها، وضعیت بیمار را پیشبینی کنند. نتایج حیرتانگیز بود؛ به عنوان مثال، پارامتر TL-PSMA در تومور اصلی با دقت ۸۶ درصد توانست تومورهای با درجه پایین (کمخطر) را از تومورهای با درجه بالا (پرخطر) تفکیک کند. همچنین همین شاخص در کل بدن، با دقت ۸۱ درصد توانست سطح PSA بیماران را به دو گروه کمتر یا بیشتر از ۲۰ پیشبینی کند.
کاهش بیوپسیهای غیرضروری با فناوری جدید
به گفته محققان، این موفقیت علمی میتواند کاربردهای عملی فراوانی در تصمیمگیریهای درمانی داشته باشد. این روش به پزشک کمک میکند تا بداند آیا بیمار نیاز به درمانهای تهاجمی مانند جراحی و شیمیدرمانی دارد یا میتوان با رویکرد "مراقبت فعال" بیماری را کنترل کرد.
جعفری در این خصوص تأکید کرد: هدف نهایی ما "پزشکی شخصیسازیشده" است. یعنی به جای تجویز یک نسخه واحد برای همه، بر اساس ویژگیهای منحصربهفرد تومور هر بیمار، بهترین و مؤثرترین درمان را انتخاب کنیم. این روش نهتنها در طبقهبندی ریسک بیماران دقیقتر عمل میکند، بلکه میتواند در آینده از تعداد بیوپسیهای غیرضروری و تهاجمی نیز بکاهد.
همکاری یک تیم چندتخصصی در این پژوهش
این طرح تحقیقاتی به مجریگری دکتر اسماعیل جعفری و با همکاری دکتر مجید اسدی، مهندس امین زارعی، دکتر احمد کشاورز، دکتر حبیب الله دادگر و دکتر قاسمعلی دیوبند انجام شده است. محققان امیدوارند با انجام مطالعات گستردهتر در آینده، این ابزارهای پیشبینی کننده را به یک نرمافزار بالینی کاربردی برای استفاده پزشکان در سراسر کشور تبدیل کنند.
انتهای پیام
نظرات