به گزارش پایگاه اطلاع رسانی بنیان، سرطان‌ اندومتریوم، مخاط رحم با عنوان سرطان‌ اندومتر شناخته می‌شود که یکی از شایع‌ترین انواع سرطان است که دستگاه تناسلی خانم‌ها را درگیر می‌کند. سرطان‌اندومتر زمانی اتفاق می‌افتد که سلول‌های ‌اندومتریوم روند رشد سریعی پیدا می‌کنند و مخاط رحم نیز در برخی قسمت‌ها ضخیم می‌شود. این نواحی ضخیم می‌توانند تشکیل توده‌ای از بافت به نام تومور را دهند. سلول‌های سرطانی نیز می‌توانند به سایر نواحی بدن پخش شوند و متاستاز دهند. حال در مطالعه‌ای که اخیراً در Nature Communications منتشر شده است، تیمی از محققان از هوش مصنوعی (AI) برای طبقه‌بندی تصاویر هیستوپاتولوژیک و تمایز بین زیرگروه‌های سرطان‌ اندومتر استفاده کردند. این ابزار یک نوع فرعی از سرطان‌ اندومتر شناخته شده به نام NSMP یا بدون مشخصات مولکولی خاص را شناسایی کرد که به شکل یک بیماری تهاجمی و نرخ بقای پایین  در بیماران مشخص می‌شود.

پیش زمینه

سرطان‌ اندومتر را می‌توان به چهار زیر گروه طبقه بندی کرد که هر کدام دارای پیامدهای درمانی و پیش آگهی بسیار متفاوتی هستند. طبقه‌بندی این زیرگروه‌ها تاکنون بر اساس پارامترهای بالینی پاتولوژیک ناکافی با تکرارپذیری پایین‌تر از بهینه است که تأثیر مستقیمی بر مدیریت سرطان داشته است. هیستوتایپ و درجه تخصیص متناقض برای تومورها منجر به ارزیابی خطر نادرست شده است که منجر به درمان بیش از حد یا درمان ناکافی می‌شود که منجر به عود و حتی مرگ می‌شود. پروژه اطلس ژنوم سرطان نشان داد که توالی یابی اگزوم و کل ژنوم و سنجش بی ثباتی ریزماهواره می‌تواند برای طبقه بندی سرطان‌های‌ اندومتر به چهار زیرگروه پیش آگهی بر اساس جهش‌های ژنتیکی غالب استفاده شود. علاوه بر این، توسعه ابزارهای هوش مصنوعی با مدل‌های یادگیری عمیق به طور فزاینده‌ای در زمینه‌های پزشکی برای پردازش مقادیر زیادی از داده‌های تصویر یا متن استفاده می‌شود. سپس از این داده‌ها برای شناسایی نشانگرهای زیستی بالقوه و بهبود تشخیص پاتولوژیک سرطان‌ها استفاده می‌شود.

در مورد مطالعه

در مطالعه حاضر، محققان یک ابزار طبقه‌بندی تصویر مبتنی بر هوش مصنوعی را با استفاده از ویژگی‌های یادگیری عمیق ساختند که تصاویر هیستوپاتولوژیک هماتوکسیلین و اسلایدهای رنگ‌آمیزی شده با ائوزین را برای تمایز بین دو زیرگروه سرطان ‌اندومتر NSMP و p53 غیر طبیعی یا p53abn تجزیه و تحلیل می‌کرد. در مطالعه قبلی، محققان یک سیستم طبقه بندی مولکولی برای سرطان‌ اندومتر ایجاد کرده بودند که به راحتی در موقعیت‌های بالینی قابل استفاده بود. این سیستم سرطان ‌اندومتر را به چهار زیرگروه تقسیم کرد. اولین مورد، زیرگروه جهش یافته POLE بود که در آن ژن درگیر در تصحیح و ترمیم اسید دئوکسی ریبونوکلئیک (DNA) - DNA پلیمراز اپسیلون یا POLE - حاوی جهش‌های بیماری زا بود.( DNA پلیمراز اپسیلون عضوی از خانواده آنزیم‌های DNA پلیمراز است که در یوکاریوت‌ها یافت می‌شود. از چهار زیر واحد زیر تشکیل شده است: POLE (واحد کاتالیزوری مرکزی)، POLE2 (زیر واحد 2)، POLE3 (زیر واحد 3) و POLE4 (زیر واحد 4). شواهد اخیر نشان می‌دهد که نقش مهمی‌در سنتز DNA رشته‌ای و ترمیم نوکلئوتید و برش پایه دارد.) زیرگروه دوم، زیرگروه نقص تعمیر عدم تطابق یا MMRd بود که در آن تست‌های تشخیصی مبتنی بر ایمونوهیستوشیمی، عدم وجود پروتئین‌های کلیدی را در ترمیم عدم تطابق نشان داد. زیرگروه سوم نیز با استفاده از آنالیزهای ایمونوهیستوشیمی ‌تشخیص داده شد و با ناهنجاری‌هایی در پروتئین سرکوب‌کننده تومور p53 مشخص شد. آخرین نوع فرعی، NSMP، با حذف تمام کاراکترهای تشخیصی سه زیرگروه دیگر به دلیل عدم وجود هر گونه ویژگی تعیین کننده تشخیص داده شد. در اینجا، محققان از طبقه‌بندی تصویر مبتنی بر هوش مصنوعی برای تجزیه و تحلیل ویژگی‌های هیستوپاتولوژیک و تمایز بین زیرگروه‌های NSMP و p53abn استفاده کردند. آن‌ها فرض کردند که زیرمجموعه‌ای از بیماران در زیرگروه NSMP دارای تومورهایی هستند که از نظر بافت شناسی مشابه تومورهای مشاهده شده در بیماران در زیرگروه p53abn هستند و استفاده از مدل‌های یادگیری عمیق برای ارزیابی اسلایدهای رنگ آمیزی هماتوکسیلین و ائوزین به شناسایی این زیر مجموعه کمک می‌کند. . برای این مطالعه، محققان از بخش‌های بافت هماتوکسیلین و ائوزین رنگ‌آمیزی از هیسترکتومی‌های انجام‌شده در بیماران سرطان‌اندومتر با زیرگروه‌های p53abn یا NSMP استفاده کردند. این مطالعه از یک گروه کشفی متشکل از 368 بیمار استفاده کرد و یافته‌ها با استفاده از دو گروه مستقل 614 و 290 بیمار تأیید شد. محققان همچنین توالی‌یابی کم‌عمق کل ژنوم نمونه‌های نماینده از هر دو زیرگروه و نمونه‌های NSMP شبه p53abn را از گروه اعتبارسنجی انجام دادند. این داده‌ها برای تجزیه و تحلیل پروفایل‌های شماره کپی و پروفایل‌های بیان ژن استفاده شد.

نتایج مطالعه

این مطالعه نشان داد که تجزیه و تحلیل تصاویر هیستوپاتولوژیکی مبتنی بر هوش مصنوعی، زیرمجموعه‌ای از بیماران در زیرگروه NSMP را با موفقیت شناسایی کرد که نرخ بقای قابل‌توجهی پایین‌تری را نشان دادند و شکل تهاجمی‌تری از سرطان داشتند. این زیرمجموعه متشکل از تومورهای تهاجمی‌ تقریباً 20 درصد از تومورهای NSMP را تشکیل می‌دهد که 10 درصد از تمام سرطآن‌های‌اندومتر را تشکیل می‌دهد. نتایج نشان می‌دهد که ویژگی‌های آسیب‌شناسی بالینی، آزمایش‌های ایمونوهیستوشیمی، نشانگرهای مولکولی توالی‌یابی نسل بعدی و پروفایل‌های بیان ژن ممکن است هنوز قادر به تمایز بین زیرگروه‌های p53abn و موارد NSMP p53abn نباشند. مدل یادگیری عمیق همچنین تومورهایی را شناسایی کرد که دارای جهش‌های پروتئین توموری TP53 بودند، حتی اگر رنگ‌آمیزی برای p53 طبیعی بود، که در غیر این صورت بر اساس طبقه‌بندی ایمونوهیستوشیمی منفی کاذب بود. ابزار مبتنی بر هوش مصنوعی می‌تواند زیرمجموعه‌های NSMP را با سرطان شبه p53abn تهاجمی‌تر شناسایی کند، حتی زمانی که ویژگی‌های پاتولوژیک و مولکولی نتوانند پیامدهای بقای پایین‌تری را پیش‌بینی کنند. تجزیه و تحلیل توالی یابی کل ژنوم کم عمق نشان داد که این زیرمجموعه از موارد NSMP نسبت بیشتری از ژنوم‌های تغییر یافته و ناپایدار شبیه به زیرگروه p53abn اما با سطح ناپایداری پایین تر را نشان می‌دهد. یافته‌ها همچنین شواهدی مبنی بر تفاوت‌های هیستوپاتولوژیک در این زیرمجموعه با وجود عدم تمایز پاتولوژیک یا ایمونوهیستوشیمی با زیرگروه NSMP ارائه کردند.

نتیجه گیری

به طور کلی، این یافته‌ها نشان داد که طبقه‌بندی‌کننده تصویر مبتنی بر هوش مصنوعی قادر است بین زیرمجموعه‌های بیماران سرطان ‌اندومتر تمایز قائل شود و زیرمجموعه‌ای را با نتایج بقای پایین‌تر تشخیص دهد.محققان بر این باورند که این ابزار مبتنی بر هوش مصنوعی می‌تواند به راحتی در فرآیند تشخیص بالینی گنجانده شود تا تصاویر هیستوپاتولوژیک را به طور معمول اسکن کند. علاوه بر این، با اصلاح بیشتر، این ابزار مبتنی بر هوش مصنوعی به طور بالقوه می‌تواند جایگزین روش زمان‌برتر و گران‌تر تشخیص مبتنی بر نشانگر مولکولی شود.

پایان مطلب./