بررسی تومورهای سرطانی با استفاده از  فناوری یادگیری عمیق
بررسی تومورهای سرطانی با استفاده از  فناوری یادگیری عمیق

پژوهشگران دانشگاه ملی سئول در مطالعه جدیدشان، فناوری یادگیری عمیق جدیدی را توسعه داده‌اند که ریزمحیط تومور را به دقت مورد بررسی قرار داده و میزان بقای بیماران مبتلا به سرطان را مشخص می‌کند. تومور‌ها پیچیده هستند و از انواع مختلفی از سلول‌ها تشکیل شده‌اند. مطالعه این نوع سلول‌ها به صورت جداگانه می‌تواند در مورد […]

پژوهشگران دانشگاه ملی سئول در مطالعه جدیدشان، فناوری یادگیری عمیق جدیدی را توسعه داده‌اند که ریزمحیط تومور را به دقت مورد بررسی قرار داده و میزان بقای بیماران مبتلا به سرطان را مشخص می‌کند.
تومور‌ها پیچیده هستند و از انواع مختلفی از سلول‌ها تشکیل شده‌اند. مطالعه این نوع سلول‌ها به صورت جداگانه می‌تواند در مورد ویژگی‌های تومور‌های موضعی مانند الگو‌های رشد و شکل آن‌ها به پژوهشگران اطلاعات مفیدی ارائه کند. برای یافتن اطلاعات بیشتر، باید تومور را در زمینه وسیع‌تری بررسی کنیم تا نحوه تعامل سلول‌ها با ریزمحیط تومور را آشکار کنیم. در حالی که ویژگی‌های موضعی ممکن است یک پیش‌آگهی را نشان دهد، محیط وسیع‌تر تومور می‌تواند نشانه‌های دیگری را آشکار کند.
ریزمحیط تومور، محیط اطراف تومور است که شامل رگ‌های خونی اطراف آن، سلول‌های ایمنی، فیبروبلاست‌ها، مولکول‌های سیگنالینگ و ماتریکس خارج سلول (ECM) است. تومور و ریزمحیط اطراف دائما در تعامل نزدیک با هم هستند. تومور‌ها می‌توانند با آزاد کردن سیگنال‌های خارج سلولی، القای رگ‌زایی تومور و القای تحمل ایمنی موضعی، بر ریز محیط زیست تأثیر بگذارند و همچنین مشخص شده است که سلول‌های ایمنی موجود در ریز محیط می‌توانند بر رشد و تکامل سلول‌های سرطانی تأثیر بگذارند.
فناوری یادگیری عمیق، یادگیری ژرف یا ژرف‌آموزی یک زیر شاخه از یادگیری ماشین و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در حوزه‌های مختلف از جمله پزشکی کاربرد دارد.
به تازگی، گروهی از پژوهشگران دانشگاه ملی سئول (SNU) کره جنوبی از فناوری یادگیری عمیقی را توسعه داده‌اند که به تشخیص میزان بقای بیماران مبتلا به سرطان با دقت بسیار بیشتر کمک می‌کند. این فناوری یادگیری عمیق مبتنی بر گراف  که نخستین نمونه در نوع خود محسوب می‌شود، بافت‌های سرطانی را در یک دیاگرام شبکه نشان می‌دهد.
برخلاف روش‌های قبلی تشخیصیِ مبتنی بر یادگیری عمیق که تنها می‌توانند شکل هر کدام از سلول‌های سرطانی را تجزیه و تحلیل کنند، فناوری جدید یادگیری عمیق، ریزمحیط تومور را در نظر می‌گیرد که به عوامل زمینه‌ای مرتبط با بافت‌های سرطانی مانند فاصله، تعامل و همبستگی بین ایمنی و سرطان اشاره دارد.
تجزیه و تحلیل چنین ریزمحیطی برای تشخیص سرطان و پیش‌بینی نرخ بقای بیماران مبتلا به سرطان حیاتی است.
این فناوری جدید یادگیری عمیق می‌تواند الگو‌هایی را درون ریزمحیط تومور شناسایی کرده و ارتباطات میان سرطان و سلول‌های ایمنی را اندازه‌گیری کند. پزشکان می‌توانند از این داده‌ها برای پیش‌بینی نرخ بقای بیماران مبتلا به سرطان استفاده کنند.
پژوهشگران در کنار توسعه فناوری یادگیری عمیق، نرم‌افزاری را توسعه و نشان دادند که ارتباطات بین سلول‌های سرطانی، سلول‌های ایمنی و عروق خونی در یک بافت سرطانی دارد، می‌تواند به عنوان شاخصی برای تعیین میزان بقای یک بیمار سرطانی عمل کند.