به گزارش ایسنا، سلول‌های سرطانی در گردش خون که به اختصار CTC نامیده می‌شوند، سلول‌هایی هستند که از تومور اصلی جدا شده و وارد جریان خون می‌شوند. حضور این سلول‌ها در خون می‌تواند نشانه‌ای از گسترش بیماری در بدن باشد. از آنجا که این سلول‌ها می‌توانند به اندام‌های دیگر مهاجرت کرده و تومورهای جدید ایجاد کنند، شناسایی آن‌ها اهمیت بسیار زیادی دارد. پزشکان و پژوهشگران سال‌هاست تلاش می‌کنند راهی دقیق و سریع برای تشخیص این سلول‌های کمیاب پیدا کنند، زیرا وجود آن‌ها می‌تواند به تشخیص زودهنگام سرطان، پایش روند پیشرفت بیماری و ارزیابی میزان اثربخشی درمان کمک کند.

با این حال، یکی از چالش‌های اصلی در این زمینه، تعداد بسیار کم این سلول‌ها در مقایسه با سایر اجزای خون است. در هر نمونه خون، میلیون‌ها گلبول قرمز و سفید وجود دارد، در حالی که تعداد CTCها ممکن است بسیار اندک باشد. همین موضوع باعث می‌شود شناسایی و شمارش آن‌ها دشوار و زمان‌بر شود. در سال‌های گذشته روش‌های مختلفی برای جداسازی این سلول‌ها توسعه یافته است، از جمله استفاده از آنتی‌بادی‌های اختصاصی، جداسازی بر اساس اندازه یا چگالی، بررسی میزان چسبندگی سلول‌ها یا بهره‌گیری از ویژگی‌های فیزیکی مانند خواص آکوستیکی و هیدرودینامیکی. هر یک از این روش‌ها مزایا و محدودیت‌های خاص خود را دارند و همچنان نیاز به راهکارهای دقیق‌تر احساس می‌شود.

در همین راستا، هاجر مقدس، استادیار گروه مهندسی مکانیک دانشگاه یاسوج، به همراه یکی از همکاران دانشگاهی خود، پژوهشی را درباره کاربرد هوش مصنوعی در تشخیص سلول‌های سرطانی در جریان خون انجام داده‌اند. آن‌ها در این مطالعه به بررسی ساختارها و مبانی روش‌های هوش مصنوعی مورد استفاده برای شناسایی و شمارش این سلول‌ها پرداخته‌اند و تلاش کرده‌اند تصویری جامع از پیشرفت‌های انجام‌شده در این حوزه ارائه دهند.

این پژوهش به صورت یک مطالعه مروری انجام شده است. به این معنا که محققان با بررسی نظام‌مند مطالعات پیشین، کاربردهای یادگیری ماشین و یادگیری عمیق را در شناسایی خودکار سلول‌های سرطانی در نمونه‌های واقعی خون تحلیل کرده‌اند. یادگیری ماشین شاخه‌ای از هوش مصنوعی است که به سیستم‌ها امکان می‌دهد با استفاده از داده‌ها الگوها را یاد بگیرند، و یادگیری عمیق شکل پیشرفته‌تری از آن است که از شبکه‌های عصبی چندلایه برای تحلیل داده‌های پیچیده مانند تصاویر استفاده می‌کند. در این مطالعه، مزایا و معایب هر روش، از جمله سرعت و دقت بالا در برابر وابستگی شدید به کیفیت و حجم داده‌های آموزشی، بررسی شده است.

یافته‌های این بررسی نشان می‌دهند که عملکرد مدل‌های هوش مصنوعی به میزان زیادی به کیفیت تصاویر بستگی دارد. هرچه تصاویر واضح‌تر و با جزئیات بیشتر باشند، الگوریتم‌ها بهتر می‌توانند مرز سلول‌های سرطانی را از سایر سلول‌ها تشخیص دهند. همچنین مشخص شد که فرآیند آموزش این مدل‌ها اغلب زمان‌بر است و نیاز به داده‌های فراوان دارد. برای رفع این مشکل، پژوهشگران استفاده از روش‌هایی مانند پیش‌پردازش تصاویر، حذف نویزها و به‌کارگیری تکنیک‌های تولید داده مصنوعی را پیشنهاد کرده‌اند.

در بخش دیگری از نتایج آمده است که همه مدل‌های بررسی‌شده در مقایسه با روش‌های سنتی شمارش و دسته‌بندی سلول‌های سرطانی، سرعت و دقت بیشتری داشته‌اند. با این حال، برای استفاده عملی از این روش‌ها در محیط‌های درمانی، هنوز نیاز به توسعه الگوریتم‌هایی وجود دارد که با داده‌های محدود نیز عملکرد مناسبی داشته باشند و بتوانند در شرایط متنوع آزمایشگاهی به‌خوبی عمل کنند. به ویژه طراحی مدل‌های عمومی‌تر و مقاوم‌تر که وابستگی کمتری به حجم بالای داده داشته باشند، از نیازهای اصلی این حوزه عنوان شده است.

اطلاعات تکمیلی این پژوهش که نتایج آن در «مجله مهندسی مکانیک» وابسته به انجمن مهندسان مکانیک ایران منتشر شده‌اند، نشان می‌دهند که افزایش تعداد داده‌های آموزشی و بهبود کیفیت تصاویر، نقش مهمی در ارتقای دقت مدل‌ها دارد. برخی پژوهشگران برای افزایش داده‌ها از روش‌هایی مانند چرخش، بزرگ‌نمایی یا تغییر مقیاس تصاویر استفاده می‌کنند تا نمونه‌های مصنوعی بیشتری برای آموزش سیستم فراهم شود. همچنین حذف داده‌های اضافی و بخش‌های غیرمرتبط تصویر می‌تواند سرعت پردازش را افزایش دهد. در عین حال، دستکاری بیش از حد نمونه خون، مانند حذف کامل برخی اجزای خونی، ممکن است به از بین رفتن سلول‌های سرطانی و ایجاد خطا در نتایج منجر شود.

بر اساس این گزارش علمی پژوهشی، یکی از راهکارهای پیشنهادی، استفاده از رقیق‌کننده‌ها برای کاهش تراکم ذرات در تصویر است تا شناسایی مرز سلول‌ها آسان‌تر شود، هرچند این کار می‌تواند تعداد تصاویر مورد نیاز را افزایش دهد. در مجموع، نتایج بررسی‌های فوق نشان می‌دهند هوش مصنوعی ظرفیت بالایی برای حل چالش‌های مربوط به تشخیص و شمارش سلول‌های سرطانی در خون دارد و می‌تواند به توسعه روش‌های سریع‌تر و دقیق‌تر در آینده کمک کند.

انتهای پیام