בינה מלאכותית (AI) מציגה הבטחה אדירה לניתוח מערכי נתונים של הדמיה רפואית עצומה וזיהוי דפוסים שעלולים להתגעגע על ידי משקיפים אנושיים. פרשנות בסיוע AI של סריקות מוח עשויה לסייע בשיפור הטיפול בילדים עם גידולים מוחיים הנקראים גליומות, אשר בדרך כלל ניתנים לטיפול אך משתנים בסיכון להישנות. חוקרים מהגנרל ההמוני בריגהם ומשתפי פעולה בבית החולים לילדים בוסטון ודנה-פרבר/סרטן ילדים והפרעות דם של דנה-פרבר/בוסטון הכשירו אלגוריתמים למידה עמוקה לניתוח סריקות מוח רצופות לאחר הטיפול ולדגל חולים בסיכון להישנות סרטן. תוצאותיהם מתפרסמות ב כתב העת לניו אינגלנד לרפואה AIו
גליומות רבות לילדים ניתנות לריפוי עם ניתוח בלבד, אך כאשר מתרחשות הישנות, הן יכולות להיות הרסניות. קשה מאוד לחזות מי עלול להיות בסיכון להישנות, ולכן המטופלים עוברים מעקב תכוף עם הדמיית תהודה מגנטית (MR) במשך שנים רבות, תהליך שיכול להיות מלחיץ ומכביד לילדים ומשפחות. אנו זקוקים לכלים טובים יותר כדי לזהות מוקדם אילו חולים נמצאים בסיכון הגבוה ביותר להישנות. "
בנימין קאן, ד"ר, מחבר המחבר המקביל לתוכנית הבינה המלאכותית ברפואה (AIM) במוני גנרל בריגהם ובמחלקה לאונקולוגיית קרינה בבית החולים בריגהם ונשים
מחקרים על מחלות נדירות יחסית, כמו סרטן ילדים, יכולים להיות מאתגרים על ידי נתונים מוגבלים. מחקר זה, שמומן בחלקו על ידי המוסדות הלאומיים לבריאות, שותפויות מוסדיות ממונפות ברחבי הארץ כדי לאסוף כמעט 4,000 סריקות MR של 715 חולים ילדים. כדי למקסם את מה ש- AI יכול "ללמוד" מסריקות המוח של המטופל – ולחזות בצורה מדויקת יותר הישנות – החוקרים השתמשו בטכניקה הנקראת למידה זמנית, אשר מאמנת את המודל לסנתז ממצאים מסריקות מוח מרובות שנלקחו במהלך מספר חודשים לאחר הניתוח.
בדרך כלל, מודלים של AI להדמיה רפואית מאומנים להסיק מסקנות מסריקות בודדות; עם למידה זמנית, שלא שימש בעבר למחקר AI של הדמיה רפואית, תמונות שנרכשו לאורך זמן מודיעות על התחזית של האלגוריתם לחזרת סרטן. כדי לפתח את מודל הלמידה הזמנית, החוקרים אימנו תחילה את המודל לרצף סריקות MR לאחר הניתוח של המטופל בסדר כרונולוגי, כך שהמודל יוכל ללמוד לזהות שינויים עדינים. משם, החוקרים כיוונו את המודל לקשר נכון את השינויים עם הישנות הסרטן לאחר מכן, במידת הצורך.
בסופו של דבר, החוקרים מצאו כי מודל הלמידה הזמני ניבא הישנות של גליומה בדרגה נמוכה או גבוהה על ידי שנה לאחר הטיפול, עם דיוק של 75-89 אחוזים-טוב יותר באופן משמעותי מהדיוק הקשור לתחזיות המבוססות על תמונות בודדות, מה שהם מצאו כ- 50 אחוזים (לא טוב יותר מהסיכוי). מתן תמונות ל- AI תמונות מנקודות זמן נוספות שלאחר הטיפול הגביר את דיוק החיזוי של המודל, אך רק ארבע עד שש תמונות נדרשו לפני שיפור זה מישור.
החוקרים מזהירים כי אימות נוסף על פני הגדרות נוספות נחוץ לפני היישום הקליני. בסופו של דבר, הם מקווים לפתוח במחקרים קליניים כדי לבדוק אם תחזיות סיכון מיודעות AI יכולות לגרום לשיפורים בטיפול-בין אם על ידי צמצום תדירות ההדמיה לחולים בסיכון הנמוך ביותר או על ידי טיפול מראש בחולים בסיכון גבוה עם טיפולים ממוקדים ממוקדים.
"הראינו ש- AI מסוגל לנתח ולבצע תחזיות מהתמונות מרובות, ולא רק סריקות בודדות", אמר הסופר הראשון Divyanshu Tak, MS, מתוכנית AIM לגנרל המוני בריגהם והמחלקה לאונקולוגיית קרינה בבריגהם. "טכניקה זו עשויה להיות מיושמת במסגרות רבות בהן המטופלים מקבלים הדמיה סדרתית ואורכית, ואנחנו נרגשים לראות מה הפרויקט הזה יעניק השראה."
