Regina Barzilay استاد دانشگاه MIT با همکاری دانشجویان این دانشگاه و پزشکان محلی به دنبال ایجاد انقلابی عظیم در تشخیص و درمان سرطان است. او تکیه بر ابزاری دارد که تا حد زیادی در دنیای سرطان به رسمیت شناخته نشده اما عمیقاً آشنا است: یادگیری ماشین.
Regina Barzilay استاد دانشگاه MIT. تصویر: Lillie Paquette / دانشکده مهندسی
در سال ۲۰۱۴ مشخص شد که Barzilay، استاد مهندسی برق و علوم کامپیوتر در دانشگاه MIT، مبتلا به سرطان پستان است. وی خیلی زود متوجه شد که به دست آوردن اطلاعات در مورد این بیماری دشوار است. او می‌گوید: «شما برای به دست آوردن اطلاعات و داده‌ها باید از جان بگذرید. باید از این دارو استفاده کنیم یا این؟ آیا این درمان بهتر است؟ شانس بازگشت بیماری چقدر است؟ بدون شواهد تجربی قابل اعتماد، گزینه‌های درمانی تبدیل به بهترین حدس می‌شود».
در همه زمینه‌های مختلف مراقبت از سرطان (تشخیص، درمان و یا پیشگیری) روند تجزیه و تحلیل داده‌ها مشابه است. پزشکان روند را با رسم اطلاعات بیمار آغاز و پس از آن تجزیه و تحلیل آماری را برای شناسایی همبستگی انجام می‌دهند. Barzilay می‌گوید این روش در مقایسه با آنچه که در علم کامپیوتر امروز ممکن است، روشی ابتدایی است.
Barzilay می‌گوید این نوع تأخیر و لغزش که تنها به درمان سرطان محدود نمی‌شود، می‌تواند مانع پیشرفت‌های علمی شود. برای نمونه هر سال ۱٫۷ میلیون نفر مبتلا به سرطان در ایالات متحده تشخیص داده می‌شود، اما تنها حدود ۳ درصد از آنها در کارآزمایی‌های بالینی شرکت می‌کنند. پژوهش‌های حاضر منحصراً متکی بر داده‌های جمع آوری شده از این بخش کوچک از بیماران است. وی می‌گوید: «ما برای درمان سرطان نیاز داریم تا اطلاعات مربوط به ۹۷ درصد دیگر را نیز دریافت کنیم».
Barzilay به تحقیقات بالینی فعلی انجام شده بسنده نکرد. او معتقد است که پزشکان، زیست شناسان و بیماران می‌توانند سود ببرند اگر داده‌های او و دیگر دانشمندان را کنار هم قرار دهند. نوآوری مورد نیاز است و ابزار موجود باید مورد استفاده قرار گیرد. وی پژوهش‌های جدیدی را با همکاری دانشجویان MIT، راه‌اندازی پروژه‌ای با پزشکان در بیمارستان عمومی ماساچوست و شروع توانمندسازی درمان سرطان با بینش یادگیری ماشین آغاز کرده است.
یادگیری ماشین
یک گروه از دانشجویان کارشناسی در حال کمک به Barzilay هستند و برنامه‌های کمک هزینه ائتلافی (فدرال) آنها را حمایت می‌کند. Barzilay می‌گوید با این وجوه قادر است هزینه دانشجویانی که زمان صرف می‌کنند را بپردازد اما دانشجویان همانند Barzilay بسیاری از این تحقیقات را به صورت رایگان انجام می‌دهند. «در تمام سال‌های حضور من در دانشگاه MIT هرگز ندیده‌ام که دانشجویان تا این حد برای پژوهش و مطالعه مشتاق باشند».
در مرکز پروژه Barzila، یادگیری ماشین یا الگوریتم‌هایی است که از داده‌ها یاد می‌گیرند و بدون اینکه به صراحت برنامه‌ریزی شوند بینش‌ها و راهکارها را پیدا می‌کنند. این ابزار، درست شبیه آنهایی که آمازون، Netflix، و تارنما‌های دیگر برای ردیابی و پیش بینی تنظیمات خود به عنوان یک مصرف کننده استفاده می‌کنند، می‌تواند از مقادیر عظیمی از اطلاعات بینش بدست آورد.
استفاده از این الگوریتم برای پردازش اطلاعات بیمار می‌تواند کمک فوق العاده‌ای برای افرادی همچون Barzilay باشد که به خوبی می‌داند، ارائه چنین کمک‌هایی لازم است. او می‌گوید امروزه یک خانم نمی‌تواند جواب چنین سؤالی را به دست آورد که پیشرفت این بیماری برای زنانی در محدوده سنی من با همین ویژگی تومور چه اندازه است؟
یک ماشین چه چیزی را می‌تواند بفهمد
Barzilay در نظر دارد با همکاری نزدیک با Taghian Alphonse، رئیس بخش پرتو درمانی پستان در بیمارستان عمومی ماساچوست (MGH) و Kevin Hughes، معاون مرکز جامع ارزیابی سرطان پستان در MGH وConstance Lehman ،رئیس بخش تصویربرداری پستان در MGH، علم داده‌ها را به تحقیقات بالینی در سراسر کشور وارد کند. اما در ابتدا او باید دنیای خود را به دنیای آنها متصل کند.
کار Barzilay، پردازش زبان طبیعی (NLP) است که ماشین آلات را قادر به جستجو، خلاصه و تفسیر اسناد متنی می‌کند، از جمله اسنادی که مربوط به گزارش‌های پاتولوژی در مورد بیماران مبتلا به سرطان است. او و دانشجویانش با استفاده از ابزار NLP، اطلاعات بالینی ۱۰۸۰۰۰ گزارش ارائه شده توسط بیمارستان منطقه را استخراج کردند. پایگاه داده‌ای که آنها ایجاد کرده‌اند نرخ دقت ۹۸ درصد دارد. در مرحله بعد او می‌خواهد نتایج درمان را ترکیب کند.
Barzilay در مطالعه‌ای دیگر، یک پایگاه داده توسعه داده است که Hughes و گروهش می‌توانند برای نظارت بر توسعه atypias (یک اصطلاح پاتولوژیک که به ساختار غیر نرمال سلول‌ها اشاره دارد) و شناسایی بیمارانی که در معرض خطر ابتلا به سرطان در مراحل بعدی زندگی هستند کمک می‌کند.
ماشین‌ها در ساخت پیش بینی‌ها مفید هستند. Barzilay می‌گوید: «پس چرا تمام اطلاعات شما در مورد یک بیمار مبتلا به سرطان پستان را به یک مدل تبدیل نکند». اما Barzilay نگران رسیدن و دستیابی به توصیه‌هایی پیچیده و بدون توضیح است. به همین دلیل با Tommi Jaakkola، استاد مهندسی برق و علوم کامپیوتر در دانشگاه MIT و Tao Lei دانشجوی کارشناسی ارشد همکاری می‌کند و همچنین در حال توسعه مدل‌های عصبی تفسیری است که می‌تواند پیش بینی‌های مبتنی بر ماشین را توجیه و استدلال کند.
Barzilay همچنین در جست و جوی این است که ابزار جدید چگونه می‌توانند به انجام اقدامات پیشگیرانه کمک کند. ماموگرافی حاوی مقدار زیادی اطلاعات است که ممکن است کشف آنها برای چشم انسان دشوار باشد. ماشین‌ها می‌توانند تغییرات نامحسوس را شناسایی و بیشتر از انسان قادر به تشخیص الگوهای سطح پایین هستند. Barzilay با کمک Lehman و Nicolas Locascio دانشجوی کارشناسی ارشد، به دنبال استفاده از یادگیری عمیق برای تجزیه و تحلیل خودکار داده‌های ماموگرافی هستند. به عنوان نخستین قدم، آنها در تلاشند تا تراکم و دیگر ویژگی‌هایی که در حال حاضر توسط رادیولوژیست و تجزیه و تحلیل دستی این تصاویر به دست می‌آید را محاسبه کنند. هدف نهایی آنها، شناسایی بیمارانی است که احتمال ابتلا به تومور حتی پیش از آن که در ماموگرافی قابل مشاهده باشد وجود دارد و همچنین پیش بینی کنند که پس از درمان اولیه احتمال بازگشت بیماری وجود دارد یا نه. Barzilay می‌گوید موفقیت نهایی شامل طراحی روش‌های غیر منتظره با استفاده از علوم کامپیوتر و هل دادن این روش‌ها به سمت مسیرهای جدید مرتبط با سلامت است.
شش تن از دانشجویان مقطع کارشناسی با رهبری Julian Straub، دانشجوی کارشناسی ارشد و استفاده از ایده Taghian دستگاهی ساخته‌اند که با استفاده از یادگیری ماشین lymphedema (لنف ادم)، تورم اندام که با حذف و یا آسیب به غدد لنفاوی ایجاد می‌شود را تشخیص می‌دهد. این بیماری غیر قابل درمان است مگر اینکه زود تشخیص داده شود. به دلیل هزینه‌های بالا، این دستگاه (lymphometers) در ایالات متحده بسیار نادر است و تعداد بسیار کمی از بیمارستان‌ها مجهز به این دستگاه هستند.
دانشجویان یک نسخه مقرون به صرفه از این دستگاه را ایجاد کردند و امیدوارند آزمایش این دستگاه در MGH را در چند ماه آینده آغاز کنند. Barzilay می‌گوید: «این دانشجویان در حال انجام کارهای شگفت انگیزی هستند. این نوآوری یک تفاوت واقعاً بزرگ است. این تنها نقطه آغاز است و کارهای بسیاری برای انجام وجود دارد».
منبع: robohub
