الگوریتم هوش مصنوعی که ناهنجاری ها را شناسایی می کند به کمک درمان صرع می آید.?
? یک الگوریتم هوش مصنوعی که می تواند ناهنجاری های ظریف مغز را شناسایی کند که منجر به تشنج های صرعی می شود توسط گروهی از دانشمندان بین المللی به رهبری دانشگاه UCLA توسعه پیدا کرده است.
?پروژه تشخیص ضایعات صرع چند مرکزی (MELD) از بیش از 1000 اسکن MRI بیماران از 22 مرکز صرع در سراسر جهان برای توسعه این الگوریتم استفاده کرد که گزارش‌هایی از محل ناهنجاری‌ها در موارد دیسپلازی قشر کانونی مقاوم به دارو (FCD) را به عنوان علت اصلی ارائه می‌دهد.
? دیسپلازی های کورتیکال کانونی(FCDs) به مناطقی از مغز هستند که به طور غیر طبیعی رشد کرده اند و اغلب باعث صرع مقاوم به دارو می شوند. این بیماری معمولاً با جراحی درمان می‌شود، با این حال شناسایی ضایعات حاصله به واسطه MRI یک چالش همیشگی برای پزشکان است، زیرا اسکن‌های MRI در FCDs می‌تواند طبیعی به نظر برسد.
? برای توسعه این الگوریتم، این تیم ویژگی‌های قشر مغز را از اسکن‌های MRI، مانند میزان ضخیم یا چین‌خوردگی سطح قشر مغز اندازه‌گیری کردند و از حدود 300000 مکان در سراسر مغز بهره بردند.
? سپس محققان این الگوریتم را بر روی نمونه‌هایی که توسط رادیولوژیست‌های خبره به عنوان یک مغز سالم یا دارای FCD برچسب‌گذاری شده بود، بسته به الگوها و ویژگی‌هایشان، آموزش دادند.
یافته‌هایی که در Brain منتشر شد، نشان داد که به طور کلی الگوریتم قادر به تشخیص FCD در 67٪ موارد در گروه (538 شرکت‌کننده) بود.
? پیش از این، 178 نفر از شرکت‌کنندگان را MRI منفی می‌دانستند، به این معنی که رادیولوژیست‌ها قادر به یافتن این ناهنجاری نبودند، اما الگوریتم MELD موفق به شناسایی FCD در 63 درصد از این موارد شده بود.
این امر به ویژه مهم است، زیرا اگر پزشکان می توانند این ناهنجاری را در اسکن مغز پیدا کنند، سپس درمان جراحی برای برداشتن آن را می توانند ارائه دهند.
? ماتیلد ریپارت (Mathilde Ripart) نویسنده همکار (از موسسه بهداشت کودکان UCL Great Ormond Street) گفت: "ما برای ایجاد یک الگوریتم هوش مصنوعی که قابل تفسیر باشد و بتواند به پزشکان در تصمیم گیری کمک کند، تلاش کردیم. نشان دادن این چگونه الگوریتم MELD پیش بینی های خود را انجام می دهد به پزشکان یک امر ضروری بود و بخشی از این فرآیند است."
? دکتر کنراد واگستیل (Konrad Wagstyl) یکی از نویسندگان ارشد (موسسه عصب شناسی کوئین اسکوئر UCL) افزود: "این الگوریتم می تواند به یافتن تعداد بیشتری از این ضایعات پنهان در کودکان و بزرگسالان مبتلا به صرع کمک کند و بیماران مبتلا به صرع بیشتری را قادر می سازد تا برای جراحی مغز در نظر گرفته شوند که می تواند صرع را درمان کند و رشد شناختی آنها را بهبود بخشد. تقریباً 440 کودک در سال می توانند از جراحی صرع در انگلیس بهره مند شوند."
? حدود 1٪ از جمعیت جهان به بیماری عصبی جدی صرع مبتلا هستند که با تشنج های مکرر مشخص می شود.
در بریتانیا حدود 600000 نفر درگیر این بیماری هستند. در حالی که درمان های دارویی برای اکثر افراد مبتلا به صرع در دسترس است، 20 تا 30 درصد به داروها پاسخ نمی دهند.
? در کودکانی که برای کنترل صرع تحت عمل جراحی قرار گرفته اند، FCD شایع ترین علت و در بزرگسالان سومین علت شایع است.
علاوه بر این، در بین بیمارانی که صرع دارند و دارای یک ناهنجاری در مغز هستند که در اسکن ام آر آی یافت نمی شود، FCD شایع ترین علت است.
? دکتر هانا اسپیتزر (از Helmholtz Munich) یکی از نویسندگان این مقاله گفت: "الگوریتم ما به طور خودکار تشخیص ضایعات را از هزاران اسکن MRI از بیماران می آموزد. این الگوریتم می تواند به طور قابل اعتمادی انواع ضایعات، شکل ها و اندازه های مختلف و حتی بسیاری از آن ضایعات را که قبلا توسط رادیولوژیست ها نادیده گرفته شده بودند را تشخیص دهد."
? دکتر سوفی آدلر (دکتر سوفی آدلر) یکی از نویسندگان ارشد (موسسه بهداشت کودکان UCL Great Ormond Street) افزود: "ما امیدواریم که این فناوری به شناسایی ناهنجاری های ایجاد کننده صرع که در حال حاضر نادیده گرفته شده اند کمک کند. در نهایت می تواند بیماران بیشتری را قادر سازد تا یک جراحی درمانی داشته باشند."
? این مطالعه بر روی تشخیص FCD از بزرگترین گروه MRI FCDs تا به امروز استفاده می کند، به این معنی است که قادر به تشخیص همه انواع FCD می باشد.
? ابزار طبقه بندی MELD FCD را می توان بر روی هر بیمار مشکوک به FCD که سن بالای 3 سال دارد و اسکن MRI دارد، اجرا کرد.
اسکنرهای MRI مختلف در 22 بیمارستان درگیر در این مطالعه در سراسر جهان مورد استفاده قرار گرفت، که الگوریتم را قادر می‌سازد قوی‌تر باشد اما همچنین ممکن است بر حساسیت و ویژگی الگوریتم تأثیر بگذارد.
✍️مترجم: آرش سلطانی
?منبع: Brain
?تاریخ: August, 2022
#Artificial_Intelligence
#Seizure
#Epilepsy
#MRI
#FCD
#Brain
