عدد اليوم
طورت جامعة ستانفورد الطبية، نموذج ذكاء اصطناعي يمكنه التنبؤ بدقة بتشخيص مرضى السرطان واستجاباتهم للعلاج، وفقا لما ذكره موقع "أكستريم تك.كوم".
يعد هذا النموذج الأول من نوعه، الذي يستفيد من أنواع متعددة من التصوير الطبي والبيانات، وقد أظهر بالفعل نتائج واعدة مع عدة أشكال من السرطان، بما في ذلك سرطان الرئة، وسرطان المعدة والأمعاء، وسرطان الجلد.
فعلى مدى السنوات القليلة الماضية، أنشأ الباحثون مجموعة من نماذج الذكاء الاصطناعي التجريبية التي تفحص بيانات التصوير بحثًا عن علامات السرطان الصغيرة التي قد يغفلها الأطباء وأخصائيو الأشعة بسهولة. تظهر الاختبارات المبكرة أن هذه النماذج فعالة للغاية.
من بين تلك النماذج على سبيل المثال، يستطيع نموذج "سيبيل" (Sybil)، الذي طوره معهد ماساتشوستس للتكنولوجيا ومركز ماساتشوستس العام للسرطان، التنبؤ بتطور سرطان الرئة لدى المرضى لمدة عام واحد بمعدل دقة يتراوح بين 86% إلى 94%، في حين يمكن لنموذج التنبؤ بسرطان البنكرياس التابع لكلية الطب بجامعة هارفارد رسم خريطة لتشخيص المريض لمدة ثلاث سنوات بدقة 88%. نموذج آخر من معهد ماساتشوستس للتكنولوجيا يرصد علامات أخطر أشكال سرطان الثدي لحماية المرضى من الإفراط في العلاج.
على الرغم من أن هذه النماذج آنفة الذكر مثيرة للإعجاب، إلا أنها تشترك في عيب أساسي واحد: فهي قادرة فقط على تحليل نموذج واحد من البيانات في وقت معين. ينظر كل نموذج إلى فحوصات التصوير بالرنين المغناطيسي أو الأشعة المقطعية أو صور الأشعة السينية أو شرائح الفحص المجهري، ثم يحدد المجالات المثيرة للقلق ضمن مجموعة البيانات تلك. وحتى نموذج الذكاء الاصطناعي متعدد التشخيص من مايكروسوفت، والذي يقبل تسعة أشكال هائلة من بيانات التصوير، يجب أن يفحص تلك الأنواع من التصوير بشكل منفصل.
أما نموذج الحالي الذي طورته جامعة ستانفورد للطب، والمعروف باسم MUSK (وهو اختصار لـ محول متعدد الوسائط مع نمذجة قناع موحد)، فإنه ينظر إلى عدة أنواع من البيانات في وقت واحد.
في ورقة بحثية نشرت في مجلة "نيتشر" (Nature)، كتب الباحثون أن النموذج ماسك "MUSK" للذكاء الاصطناعي تم تدريبه على 50 مليون صورة مرضية ومليار "رمز نصي" من أكثر من 11500 مريض. على الرغم من أن الصور تصور أشكالًا مختلفة من السرطان عبر الأشعة السينية، والفحص المجهري، والتصوير المقطعي والتصوير بالرنين المغناطيسي، فإن الرموز النصية تمثل بيانات طبية قائمة على اللغة، مثل ملاحظات الامتحانات، والتواصل بين المتخصصين، وما إلى ذلك، المرتبطة بتشخيصات السرطان المختلفة.
وتحاكي قدرة النموذج MUSK على تحليل أنواع متعددة من البيانات في وقت واحد، كيفية تقييم الأطباء لنتائج التصوير والسجلات الصحية للشخص. كما تسمح هذه القدرة على التحليل لـ MUSK بمساعدة الأطباء في التنبؤ بالتشخيص، وليس مجرد إجراء التشخيص، والذي تركز عليه معظم نماذج الذكاء الاصطناعي الطبية الأخرى.
وقد دُرب النموذج MUSK على 16 نوعًا رئيسيًا من السرطان، وهو قادر على التنبؤ بدقة ببقاء المريض على قيد الحياة بسبب المرض بنسبة 75٪ من الوقت، وفقًا لإصدار جامعة ستانفورد للطب. يمثل هذا تحسنًا بنسبة 11% مقارنة بمتوسط معدل الدقة لدى الأطباء، والذي يبلغ حوالي 64%.
كما حدد النموذج MUSK، بشكل صحيح، مرضى سرطان الرئة ذو الخلايا غير الصغيرة الذين سيستفيدون من العلاج المناعي بنسبة 77% من الوقت (متفوقًا على معدل دقة الأطباء البالغ 61%). وتوقع النموذج مرضى سرطان الجلد الأكثر عرضة للانتكاس خلال 5 سنوات من العلاج الأولي بنسبة دقة بلغت 83%.
