تلاش جهانی بر توسعه روشهای بهتر برای تعیین میزان آسیب مفاصل در بیماران آرتریت روماتوئید متمرکز است.
جمع سپاری (کمک گرفتن از عموم مردم برای مشارکت در یک پژوهش)، به روشی محبوب برای توسعه الگوریتمهای یادگیری ماشینی برای رسیدگی به بسیاری از مشکلات بالینی در انواع بیماریها تبدیل شده است. امروز در نشست سالانه کالج آمریکایی روماتولوژی (ACR)، یک تیم چند مرکزی به رهبری محققی از بیمارستان جراحی ویژه (HSS) نتایج چالش RA2-DREAM را ارائه کردند، یک اقدام با استفاده از روش جمعسپاری برای توسعه روشهای بهتر برای تعیین میزان آسیب مفاصل در افراد مبتلا به آرتریت روماتوئید (RA) متمرکز شد.
آسیب در مفاصل افراد مبتلا به آرتریت روماتوئید در حال حاضر با بررسی بصری و موشکافانه روی تصاویر رادیوگرافی از مفاصل کوچک دست، مچ دست و پا اندازهگیری میشود. این آسیب شامل باریک شدن فضای مفصل (که نشان دهنده از دست دادن غضروف است) و فرسایش استخوان (که نشان دهنده آسیب ناشی از تهاجم به پوشش ملتهب مفصل است) میشود. سیستم امتیازدهی به متخصصان آموزش دیده ویژه نیاز دارد و زمان بر و پرهزینه است. به گفته نویسنده ارشد این مطالعه، لوئیس بریجز، دکتر، پزشک ارشد و رئیس بخش پزشکی در HSS، یافتن روشی خودکار برای اندازه گیری آسیب مفاصل هم برای تحقیقات بالینی و هم برای مراقبت از بیماران مهم است.
اگر یک رویکرد یادگیری ماشینی بتواند یک عدد کمی سریع و دقیق برای تخمین درجه آسیب مفصل در دست و پا ارائه دهد، به تحقیقات بالینی کمک زیادی خواهد کرد. برای مثال، محققان میتوانند دادههای سوابق الکترونیکی سلامت و سنجشهای ژنتیکی و دیگر تحقیقات را برای یافتن نشانگرهای زیستی مرتبط با آسیب پیشرونده تجزیه و تحلیل کنند. اینکه خودمان مجبور باشیم همه تصاویر را با بازرسی بصری امتیاز دهیم، خسته کننده خواهد بود و سپردن انجام این کار به ارگانهای بیرونی هزینه زیادی دارد.
لوئیس بریجز پزشک ارشد و رئیس بخش پزشکی HSS
وی افزود: این رویکرد همچنین میتواند با ارزیابی سریع پیشرفت آسیب در طول زمان به روماتولوژیستها کمک کند و باعث تغییر در درمان برای جلوگیری از آسیب بیشتر میشود. این امر در مناطق جغرافیایی که رادیولوژیستهای اسکلتی عضلانی متخصص در دسترس نیستند واقعاً مهم است.
برای این چالش، دکتر بریجز و همکارانش با مشارکتی با Sage Bionetworks، یک سازمان غیرانتفاعی که به محققین کمک میکند تا چالشهای DREAM (گفتگو در مورد ارزیابی و روشهای مهندسی معکوس) را ایجاد کنند. این مسابقات بر توسعه ابزارهای خلاقانه مبتنی بر هوش مصنوعی در علوم زیستی متمرکز است. محققین فراخوانی را منتشر کردند و با کمکهای مالی برای تیمهای برنده جوایزی را تهیه کردند. رقبا از رشتههای مختلف، از جمله دانشمندان کامپیوتر، زیستشناسان محاسباتی و پزشکان دانشمند بودند. هیچ یک رادیولوژیست با تخصص یا آموزش خواندن تصاویر رادیوگرافی نبودند.
برای بخش اول چالش، یک مجموعه از تصاویر به همراه نمرات شناخته شدهای که به صورت بصری ایجاد شده بود در اختیار تیمها قرار گرفت. از این تصاویر برای آموزش الگوریتمها استفاده شد. سپس مجموعههای بیشتری از تصاویر ارائه شد تا رقبا بتوانند ابزارهایی را که توسعه داده بودند آزمایش و اصلاح کنند. در دور پایانی، مجموعه سوم تصاویر بدون نمره ارائه شد و رقبا میزان باریک شدن و فرسایش فضای مفصل را تخمین زدند. موارد ارسالی بر اساس آنها مورد ارزیابی قرار گرفتند که بیشتر از همه نمرات استاندارد طلایی ایجاد شده به صورت بصری را تکرار کردند. 26 تیم الگوریتم و 16 ارسال نهایی را ارائه دادند.
در مجموع، 674 مجموعه تصویر از 562 بیمار RA مختلف به رقبا داده شد که همگی در مطالعات تحقیقاتی قبلی مؤسسه ملی سلامت به رهبری دکتر بریجز شرکت کرده بودند. در پایان چهار تیم به عنوان نفرات برتر معرفی شدند.
برای سازماندهندگان چالش DREAM، مهم بود که هر سیستم امتیازدهی که از طریق پروژه توسعه مییابد، بهجای اختصاصی بودن، به طور رایگان در دسترس باشد، تا بتواند بدون هیچ هزینهای توسط محققان و پزشکان استفاده شود. دکتر بریجز گفت: بخشی از جذابیت این همکاری این بود که همه چیز در اختیار عموم است.
دکتر بریجز توضیح داد که قبل از استفاده گسترده از ابزارها، به تحقیق و توسعه روشهای محاسباتی بیشتری نیاز است، اما تحقیقات فعلی نشان میدهد که این نوع رویکرد امکان پذیر است. او در پایان گفت: ما هنوز باید الگوریتمها را اصلاح کنیم، اما نسبت به قبل از چالش بسیار به هدف خود نزدیکتر هستیم.
برای مطالعه سایر مقالات مرتبط در این زمینه، بر روی لینک زیر کلیک نمایید: