پزشکان و محققان در مرکز رادیولوژی پزشکی بیمارستان Fatebenefratelli ایتالیا به صورت گسترده ای بر روی تشخیص زودهنگام و دقیق انواع تومورهای مغزی تحقیقات تخصصی انجام داده اند و این بیماری را از زوایای مختلف با استفاده از ابزارهای تشخیصی و آنالیز اطلاعات دریافت شده از آن ها با استفاده علم و آگاهی رادیولوژیست ها با همراهی آنکولوژیست ها و استفاده از هوش مصنوعی مورد بررسی قرار دادند.
گلیوما شایع ترین نوع نئوپلاسم سیستم عصبی مرکزی (CNS) است و از سلول های گلیال ایجاد می شود. گلیوما یک بیماری ناهمگن از نظر بالینی و بیولوژیکی، با چندین هیستوتیپ ( طیف وسیعی از بافت ها که در روند رشد تومور ایجاد می شود) و زیرگروه مولکولی شناخته شده، و سابقه بالینی از رشد آهسته و پیش آگهی عمدتاً خوش خیم، مانند آستروسیتومای پیلوسیتیک، تا زیرگروه های بافتی تهاجمی خاص، مانند گلیوبلاستوم مولتی فرم (GBM) را در بر میگیرد. این بیماری با پیشرفت سریع و پیش آگهی ضعیف همراه است. بنابراین، تشخیص به موقع و دقیق برای اطمینان از درمان به موقع و مناسب و بقای طولانی مدت بیمار ضروری است.
از نظر تاریخی، طبقه‌بندی تومور مغزی صرفاً بر اساس ویژگی‌های هیستوپاتولوژیک بوده است، در حالی که در آخرین نسخه‌های تحقیقاتی، اطلاعات ژنتیکی و اپی ژنتیکی، مانند نشانگرهای مولکولی و پروفایل‌های متیلاسیون DNA را در بر میگیرد. ترکیبات ژنتیکی و اپی ژنتیکی اثرات مولکولی، با یک «بارکد خاص» تومور را تعریف می‌کنند، که تشخیص آن برای تصمیم‌گیری بهترین درمان در عصر درمان‌های هدفمند ضروری است. بنابراین، نمونه برداری از بافت، استاندارد طلایی برای رمزگشایی چشم انداز مولکولی اکثر تومورهای CNS، به ویژه برای گلیوم ها می باشد. با این وجود، شواهد رو به رشد نقش قدرتمند هوش مصنوعی در تصویربرداری عصبی انکولوژیک را از طریق استخراج اطلاعات کمی از معاینات معمول رادیولوژیکی برجسته کرده است. در کنار اثرات مولکولی، قدرت تشخیص تصویربرداری نیز وجود دارد که اطلاعات تکمیلی و ایده‌آل اضافی را برای توصیف تومور مغزی ارائه می‌دهد و نقش بالقوه‌ای در هدایت انتخاب مناسب‌ترین درمان و مدیریت بالینی دارد.
استفاده از هوش مصنوعی (AI) در تشخیص تومور مغزی و انتخاب روش درمانی مناسب، پزشکان را به سمت مدیریت تومور مغزی متناسب با بیماری کمک نموده، مراحل درمان را تسریع می بخشد و به تعادل عملکردی بهینه برای هر فرد دست می‌یابد. مدل‌های مبتنی بر هوش مصنوعی می‌توانند بر مراحل مختلف فرآیند تشخیصی و درمانی تأثیر مثبت بگذارند. اگرچه جایگزینی بررسی بافت شناسی دشوار خواهد بود، اما در آینده نزدیک، رویکرد رادیومیکی امکان توصیف بهتر، تکرارپذیری راحت تر و غیرتهاجمی ضایعه را فراهم می کند و به متخصصان سرطان و جراحان مغز و اعصاب در انتخاب بهترین گزینه درمانی هدفمند مولکولی و صحیح در شیمی درمانی کمک می کند. ابزارهای مبتنی بر هوش مصنوعی در حال حاضر نقش مهمی در برنامه‌ریزی جراحی بازی می‌کنند، وسعت ضایعه (بخش‌بندی) و روابط آن با ساختارهای مغز را محدود می‌کنند، بنابراین امکان جراحی دقیق مغز را به همان اندازه که قابل قبول است برای حفظ کیفیت زندگی فراهم می‌کنند. در نهایت، مدل‌های طراحی شده برای درمان بیماری، به کمک هوش مصنوعی امکان پیش‌بینی عوارض، عود و پاسخ درمانی را فراهم می‌کنند و مناسب‌ترین پیگیری را پیشنهاد می‌کنند. با نگاهی به آینده، مدل‌های مبتنی بر هوش مصنوعی وعده میدهند که داده‌های بیوشیمیایی و بالینی را برای طبقه‌بندی خطر و هدایت بیماران به پروتکل‌های غربالگری شخصی‌سازی دسته بندی کنند، تا به آسان ترین روش بتوان از آن ها بهره برد.
این کاربردها شامل تشخیص ضایعه، تشخیص افتراقی، خصوصیات مولکولی غیر تهاجمی، تعریف مرزهای ضایعه و روابط فضایی (بخش بندی)، و ارزیابی پاسخ به درمان و پیش آگهی است. این احتمال وجود دارد که در هر یک از این زمینه‌ها، مدل‌های هوش مصنوعی به زودی نقش اصلی را در کمک به رادیولوژیست در کار روزانه‌اش ایفا کنند.
منبع: NCBI