เนื้องอกในสมองและไขสันหลังเป็นมะเร็งที่พบมากเป็นอันดับสองในเด็ก โดยคิดเป็น 26% ของมะเร็งในเด็กทั้งหมด เนื้องอกจำนวนมากเหล่านี้พบได้ในบริเวณของสมองที่เรียกว่าโพรงในร่างกาย (posterior fossa) โดยตำแหน่งที่พบได้บ่อยที่สุดคือ cerebellum เนื้องอกในสมองดังกล่าวมีสามประเภทหลัก ได้แก่ อีเพนไดโมมา เมดัลโลบลาสโตมา และพิโลไซติก แอสโทรไซต์โตมา และเนื่องจากการรักษาและแนวโน้มของเนื้องอกแต่ละชนิดจะแตกต่างกัน
การระบุชนิดของเนื้องอกอย่างแม่นยำจึงเป็นสิ่งสำคัญ
ที่จะช่วยปรับปรุงการวางแผนการผ่าตัดวิธีการที่แพร่หลายที่สุดในการปฏิบัติทางคลินิกในปัจจุบันเพื่อระบุลักษณะของเนื้องอกเหล่านี้คือการได้รับ MRI ในสมอง ซึ่งจะได้รับการประเมินโดยนักรังสีวิทยา อย่างไรก็ตาม การวิเคราะห์เชิงคุณภาพนี้มักมีความท้าทาย เนื่องจากลักษณะที่ทับซ้อนกันของมะเร็งทั้งสามชนิดนี้ ทำให้การวินิจฉัยยากขึ้นโดยไม่ต้องยืนยันการตรวจชิ้นเนื้อเพิ่มเติม วิธีแก้ปัญหาหนึ่งที่เป็นไปได้คือการใช้การถ่ายภาพแบบกระจายน้ำหนัก ซึ่งวัดการเคลื่อนที่แบบสุ่มของโมเลกุลของน้ำในเนื้อเยื่อ โดยเผยให้เห็นรายละเอียดของสถาปัตยกรรมไมโครเนื้อเยื่อ เทคนิค MR ขั้นสูงนี้สามารถให้ข้อมูลเชิงปริมาณเกี่ยวกับเนื้องอก ในรูปแบบของแผนที่สัมประสิทธิ์การแพร่กระจายที่ชัดเจน (ADC) โดยมีวัตถุประสงค์เพื่อปรับปรุงการวินิจฉัย
การจำแนกเนื้องอกในเด็กแบบ AI การศึกษาแบบหลายศูนย์ในสหราชอาณาจักรซึ่งนำโดยมหาวิทยาลัยเบอร์มิงแฮมและรวมถึงนักวิจัยจากมหาวิทยาลัย Warwickมุ่งเน้นไปที่การวิเคราะห์แผนที่ ADC ของเนื้องอกในสมองในเด็กของโพรงในร่างกาย จุดมุ่งหมายคือการระบุชนิดของเนื้องอกได้อย่างถูกต้องโดยไม่ต้องตรวจชิ้นเนื้อ เพื่อให้บรรลุสิ่งนี้ กลุ่มนี้ใช้เทคนิคการเรียนรู้ด้วยเครื่องและแสดงให้เห็นว่าเป็นไปได้ที่จะแยกแยะระหว่างเนื้องอกในโพรงสมองส่วนหลังในเด็กที่พบบ่อยที่สุดสามประเภท พวกเขารายงานผลของพวกเขาใน รายงาน ทางวิทยาศาสตร์
Andrew Peetจากมหาวิทยาลัยเบอร์มิงแฮมอธิบายว่า
“เมื่อเด็กมาโรงพยาบาลด้วยอาการที่อาจหมายความว่าพวกเขามีเนื้องอกในสมอง การสแกนครั้งแรกนั้นเป็นช่วงเวลาที่ยากลำบากสำหรับครอบครัวและเป็นที่เข้าใจกันว่าพวกเขาต้องการคำตอบโดยเร็วที่สุด ที่นี่ เราได้รวมการสแกนที่พร้อมใช้งานกับปัญญาประดิษฐ์เพื่อให้มีความแม่นยำในการวินิจฉัยในระดับสูง ซึ่งสามารถเริ่มให้คำตอบได้”
ในการศึกษาแบบหลายศูนย์ขนาดใหญ่การศึกษานี้เกี่ยวข้องกับผู้ป่วย 117 คนจากศูนย์การรักษาหลัก 5 แห่งทั่วสหราชอาณาจักร (นอตติงแฮม นิวคาสเซิล โรงพยาบาลเด็ก Great Ormond Street ในลอนดอน โรงพยาบาลเด็ก Alder Hey Liverpool และโรงพยาบาลเด็กเบอร์มิงแฮม) พร้อมภาพ MR จากโรงพยาบาล 12 แห่ง (รวมถึงโรงพยาบาลท้องถิ่นที่เด็ก ๆ มีการสแกนครั้งแรก) และสแกนเนอร์ที่แตกต่างกันทั้งหมด 18 เครื่อง ภาพดังกล่าวได้รับการวิเคราะห์โดยผู้เชี่ยวชาญด้านการสร้างภาพประสาทในเด็กซึ่งวาดบริเวณที่น่าสนใจ (ROI) รอบเนื้องอกด้วยตนเอง จากนั้นนักวิจัยได้ดึงค่า ADC จาก ROI ของเนื้องอกและดึงข้อมูลเมตริกต่างๆ จากฮิสโตแกรมของ ADC
กลุ่มนี้ใช้คุณลักษณะเหล่านี้เป็นอินพุตของตัวแยกประเภทการเรียนรู้ของเครื่อง 2 ตัว ซึ่งเป็นแบบจำลองเชิงเส้นที่เรียกว่า naïve Bayes (NB) และแบบจำลองที่ไม่เป็นเชิงเส้นที่เรียกว่า Random Forest (RF) และฝึกให้พวกเขาแยกแยะระหว่างสามประเภทที่พบได้บ่อยที่สุดในเด็กหลัง เนื้องอกในสมอง วิธี RF ได้รับความแม่นยำในการจำแนกโดยรวมที่ดีที่สุดที่ 86.3% ในขณะที่ตัวแยกประเภท NB มีอัตราการจำแนกประเภทสูงสุดสำหรับอีเพนไดโมมาที่ 80.8%
ผู้เขียนรายงานว่าความแม่นยำเหล่านี้ไม่สูงเท่าที่เห็น
ในการศึกษาอื่นก่อนหน้านี้ อย่างไรก็ตาม พวกเขาทราบว่าการศึกษาของพวกเขานั้น “ใหญ่กว่าการศึกษาดังกล่าวมาก โดยมีการป้อนข้อมูลที่แตกต่างกันมากขึ้นเกี่ยวกับโรงพยาบาล เครื่องสแกน และโปรโตคอลการจัดหา” อันที่จริง “การศึกษาก่อนหน้านี้โดยใช้เทคนิคเหล่านี้ส่วนใหญ่จำกัดอยู่ที่ศูนย์ผู้เชี่ยวชาญเพียงแห่งเดียว” Peet กล่าวเสริม “การแสดงให้เห็นว่าพวกเขาสามารถทำงานในโรงพยาบาลจำนวนมากได้เปิดประตูสู่เด็กจำนวนมากที่ได้รับประโยชน์จากการวินิจฉัยเนื้องอกในสมองที่ไม่ลุกลามอย่างรวดเร็ว นี่เป็นช่วงเวลาที่น่าตื่นเต้นมาก และตอนนี้เรากำลังทำงานอย่างหนักเพื่อเริ่มทำให้เทคนิคปัญญาประดิษฐ์เหล่านี้พร้อมใช้งานในวงกว้าง”
“การใช้ AI และคุณลักษณะการถ่ายภาพด้วยคลื่นสนามแม่เหล็กขั้นสูง เช่น ค่า ADC จากภาพที่มีน้ำหนักแบบกระจาย อาจช่วยแยกแยะความแตกต่างระหว่างเนื้องอกในเด็ก 3 ประเภทหลักในโพรงในร่างกายส่วนหลังได้” ผู้เขียนร่วมTheo Arvanitis อธิบาย มหาวิทยาลัยวอริก
“หากเทคนิคการถ่ายภาพขั้นสูงนี้ ร่วมกับเทคโนโลยี AI สามารถเข้ารับการรักษาในโรงพยาบาลได้เป็นประจำ แสดงว่าเนื้องอกในสมองในเด็กสามารถจำแนกและจำแนกได้อย่างมีประสิทธิภาพมากขึ้น และในทางกลับกันก็หมายความว่าการรักษาสามารถทำได้เร็วขึ้นด้วยผลลัพธ์ที่น่าพอใจสำหรับ เด็กที่เป็นโรคนี้” Arvanitis กล่าวเสริม
Fujiwara อธิบายถึงความสำเร็จของทีมในฐานะ “การปฏิวัติ” และVladan Vuletićแห่งสถาบันเทคโนโลยีแมสซาชูเซตส์ (ซึ่งไม่ได้มีส่วนร่วมในงานนี้) เห็นด้วย: “ความท้าทายหลักในการทำความเย็นไฮโดรเจนหรือสารต้านไฮโดรเจนคือ…การสร้างรังสีเลเซอร์ในช่วงเวลาสั้นๆ ความยาวคลื่นที่มีความบริสุทธิ์ของสเปกตรัมที่จำเป็น…คุณกำลังสร้างสิ่งนี้จากการทดลองที่ซับซ้อนมากนี้ คุณต้องผลิตแอนติโปรตอนก่อน คุณต้องดักพวกมันพร้อมกับโพซิตรอนในกับดักแม่เหล็กไฟฟ้า คุณต้องทำให้เป็นกลางพวกมันให้กลายเป็นแอนติไฮโดรเจน และเหนือสิ่งอื่นใดที่คุณต้องใช้ในการระบายความร้อนด้วยเลเซอร์ของคุณ”
Credit : zakopanetours.net ianwalk.com immergentrecords.com imperialvalleyusbc.org inmoportalgalicia.
