بر اساس مطالعه ‌ای که نتایج آن اخیراً در نشریه گزارش‌‌های علمی منتشر شده است، محققان یک الگوریتم هوش مصنوعی را به منظور تسهیل در خوانش اسکن‌‌های FDG-PET/CT ایجاد کرده ‌اند که نسبت به روش امتیازدهی بالینی استاندارد که برای شناسایی بیماران مبتلا به لنفوم پرخطر به کار می‌رود، عملکرد بهتری را نشان داده است.

گروهی تحقیقاتی از دانشگاه آمستردام UMC در هلند، یک شبکه عصبی کانولوشنال (CNN) را بر مبنای اسکن‌های F-18-FDG PET/CT انجام شده از بیماران مبتلا به لنفوم سلول B بزرگ منتشر (DLBCL) آموزش داده اند. نویسندگان این مطالعه دریافتند که این مدل در پیش ‌بینی احتمال پیشرفت بیماری طی دو سال، عملکرد بسیار دقیقی دارد. این گروه نوشت: «مدل CNN در پیش بینی زمان پیشرفت دو ساله در بیماران DLBCL نسبت به روش امتیازدهی IPI [شاخص پیش آگهی بین ‌المللی] عملکرد بهتری را نشان داد.»

روش امتیازدهی IPI در برگیرنده تعدادی از معیارهای بالینی است که توسط پزشکان برای تعیین تعداد چرخه‌های درمانی مورد نیاز برای بیماران مبتلا به لنفوم استفاده می شود. با این حال، این تیم متذکر شد که به طور کلی، یک سوم از بیماران DLBCL که با استفاده از این امتیازات ارزیابی شده ‌اند، به درمان خط اول پاسخ نمی‌دهند.

تصویربرداری F-18-FDG PET/CT یک رویکرد ارزشمند برای توصیف شدت تومورهای لنفوم است که اغلب به منظور پیش ‌بینی زودهنگام استفاده می‌ شود. بنابراین، هدف محققان توسعه یک الگوریتم هوش مصنوعی با استفاده از چنین اسکن‌‌هایی از بیماران DLBCL بود که می‌‌تواند به شناسایی موثرتر بیماران در معرض خطر کمک کند. اگرچه بررسی ‌های بیشتر ضروری است، یافته ‌های فعلی ما نشان می‌ دهد که CNN‌هایی که از MIP استفاده می ‌کنند، از پتانسیل استفاده به عنوان مدل ‌های پیش‌ بینی نتیجه برخوردارند.

منبع: Aunt Minnie