مجموعه‌ای از پژوهشگران در مطالعه‌ای جدید نشان داده‌اند که الگوریتم‌های یادگیری ماشین قادرند با دقت بالایی پیامدهای مختلف جراحی سرطان پروستات را پیش‌بینی کنند. نتایج این پژوهش که در نشریه Scientific Reports منتشر شده، حاکی از آن است که فناوری‌های هوش مصنوعی می‌توانند نقش مهمی در شناسایی عوامل مؤثر بر موفقیت جراحی و بهبود مسیر درمان بیماران ایفا کنند.

بررسی داده‌های ۳۲۶ بیمار

در این مطالعه گذشته‌نگر، اطلاعات بالینی ۳۲۶ بیمار مبتلا به سرطان پروستات مورد تحلیل قرار گرفت. از میان این بیماران، ۲۲۴ نفر جراحی رباتیک و ۱۰۲ نفر جراحی باز را تجربه کرده بودند. هدف پژوهشگران، پیش‌بینی ۱۲ پیامد مختلف پس از جراحی با استفاده از روش‌های هوش مصنوعی بود.

چهار الگوریتم یادگیری ماشین

تیم تحقیقاتی چهار الگوریتم محبوب یادگیری ماشین را برای این منظور به کار گرفت:

  • (Random Forest)
  • گرادیان بوستینگ (Gradient Boosting)
  • ماشین بردار پشتیبان (Support Vector Machine)
  • شبکه عصبی (Neural Network)

پس از اجرای این مدل‌ها، محققان از روش هوش مصنوعی توضیح‌پذیر موسوم به SHAP برای تعیین میزان اهمیت هر عامل بالینی در پیش‌بینی نتایج استفاده کردند. این روش این امکان را فراهم می‌آورد تا به جای یک پاسخ سیاه‌وسفید، دقیقاً مشخص شود کدام ویژگی‌های بالینی چه سهمی در شکل‌گیری پیش‌بینی دارند.

عملکرد برجسته در پیش‌بینی سطح هموگلوبین و نمونه‌برداری بافتی

یافته‌های کلیدی این پژوهش نشان می‌دهد مدل‌های یادگیری ماشین در پیش‌بینی برخی پیامدها از روش‌های سنتی عملکرد بهتری داشته‌اند. بهترین نتیجه مربوط به پیش‌بینی سطح هموگلوبین پس از جراحی بود، به‌طوری که ضریب تعیین مدل در برخی موارد به ۰.۵۷ رسید. همچنین مدل‌ها در پیش‌بینی تصمیم‌گیری درباره نمونه‌برداری سریع بافت در حین جراحی عملکرد چشمگیری از خود نشان دادند؛ مقدار AUC در بهترین مدل به ۰.۸۹ رسید که عددی قابل توجه در حوزه پیش‌بینی بالینی محسوب می‌شود.

عوامل مؤثر بر نتایج مختلف متفاوت است

تحلیل SHAP نکته جالب دیگری را آشکار کرد: عوامل مؤثر بر پیامدهای مختلف جراحی یکسان نیستند. برای مثال، مدت باقی‌ماندن سوند ادراری و طول مدت بستری تقریباً به‌طور کامل تحت تأثیر نوع جراحی (رباتیک در برابر باز) قرار داشتند. در مقابل، نتایج پاتولوژیک مانند درجه تومور بیشتر تحت تأثیر ویژگی‌های تومور پیش از جراحی تعیین می‌شدند.

یکی دیگر از یافته‌های مهم این بود که سطح هموگلوبین پیش از عمل به‌عنوان یکی از مهم‌ترین پیش‌بینی‌کننده‌های کم‌خونی پس از جراحی شناسایی شد و اهمیت آن حتی از عواملی مانند سن بیمار بیشتر بود. این یافته می‌تواند به پزشکان کمک کند تا پیش از جراحی، اقدامات پیشگیرانه لازم را برای بیماران در معرض خطر انجام دهند.

مزیت هوش مصنوعی توضیح‌پذیر در پزشکی

بزرگ‌ترین مزیت رویکرد توضیح‌پذیر در قیاس با مدل‌های سیاه‌وسفید این است که پزشکان علاوه بر دریافت یک پیش‌بینی، می‌توانند درک کنند کدام عوامل بالینی در شکل‌گیری آن پیش‌بینی نقش داشته‌اند. این شفافیت می‌تواند اعتماد بالینی به ابزارهای هوش مصنوعی را افزایش دهد و به شناسایی عوامل مؤثر بر موفقیت جراحی کمک کند.

محدودیت‌ها و ضرورت مطالعات آینده

پژوهشگران تأکید می‌کنند که پژوهش حاضر یک مطالعه گذشته‌نگر و تک‌مرکزی است و مدل‌های توسعه‌یافته هنوز در مراکز درمانی مستقل دیگر اعتبارسنجی نشده‌اند. بنابراین پیش از استفاده بالینی گسترده از این مدل‌ها، انجام مطالعات آینده‌نگر و چندمرکزی ضروری است. با این وجود، این پژوهش گام مهمی در مسیر بهره‌گیری از هوش مصنوعی برای بهینه‌سازی تصمیم‌گیری‌های بالینی در جراحی سرطان پروستات به شمار می‌رود.