به گزارش گروه علم و آموزش ایرنا از وبگاه اورِکا اَلِرت، گلیوبلاستوما مولتیفرم (GBM) نوعی سرطان مغز است که میانگین مدت زندگی افراد پس از ابتلا به آن فقط یک سال است. درمان این سرطان به دلیل هسته بسیار متراکم، رشد سریع و موقعیت آن در مغز دشوار است. تخمین میزان انتشار و تکثیر این تومورها برای پزشکان مفید است؛ اما پیشبینی سریع و دقیق این اطلاعات برای یک بیمار خاص دشوار است.
محققان دانشگاه واترلو و دانشگاه تورنتو با همکاری بیمارستان سَنت مایکل در تورنتو در کانادا دادههای اِمآرآی چندین بیمار مبتلا به گلیوبلاستوما مولتیفرم را تجزیهوتحلیل کردند. آنها از یادگیری ماشین برای تجزیهوتحلیل کامل تومور بیمار استفاده میکنند تا پیشرفت سرطان را بهتر پیشبینی کنند.
محققان دو مجموعه اِمآرآی متعلق به پنج بیمار ناشناس مبتلا به گلیوبلاستوما مولتیفرم را تجزیهوتحلیل کردند. آنها از بیماران اِمآرآی گرفتند، چندین ماه صبر کردند و سپس دوباره اِمآرآی گرفتند. این بیماران، به دلایل نامعلوم، ترجیح میدادند در این مدت هیچگونه درمان یا دارو دریافت نکنند؛ به همین دلیل اِمآرآی آنها فرصتی منحصربهفرد در اختیار دانشمندان قرار داد تا درک کنند که چگونه گلیوبلاستوما مولتیفرم در صورت کنترلنشدن رشد میکند.
محققان از یک مدل یادگیری عمیق برای تبدیل دادههای اِمآرآی به برآورد پارامترهای خاص بیمار استفاده کردند که یک مدل پیشبینی برای رشد گلیوبلاستوما مولتیفرم را ارائه داد. این روش برای بیماران و تومورهای مصنوعی که ویژگیهای واقعی آنها شناخته شده بود، بهکار گرفته شد و آنها را قادر ساخت مدل را تأیید کنند.
کامرون مینی (Cameron Meaney)، سرپرست تیم پژوهشی، گفت: دوست داشتیم این تحلیل را روی یک مجموعه دادههای عظیم انجام دهیم؛ اما به دلیل ماهیت این بیماری، این کار مشکل است؛ زیرا امید به زندگی طولانی نیست و مردم تمایل دارند درمان را شروع کنند و در نتیجه، فرصت مقایسه پنج تومور درماننشده برای ما بسیار نادر و ارزشمند بود.
اکنون دانشمندان، مدل خوبی از نحوه رشد گلیوبلاستوما مولتیفرم بدون درمان دارند. گام بعدی آنها این است که این مدل را گسترش دهند تا تأثیر درمان را روی تومورها نیز شامل شود؛ سپس مجموعه دادهها از تعدادی اِمآرآی انگشتشمار به هزاران افزایش یابد.
مینی تأکید میکند که دسترسی به دادههای اِمآرآی و مشارکت ریاضیدانان با پزشکان احتمالاً تأثیرات زیادی برای بیماران در آینده خواهد داشت؛ زیرا استفاده از تجزیهوتحلیلهای کمّی در درمان بیماریها، آینده علم پزشکی است.