**سامانه «هوش مصنوعی» توانایی پیش‌بینی عود تومور مغزی در کودکان را دارا می‌شود**
دانشمندان با توسعه یک سامانه «هوش مصنوعی» متوالی توانسته‌اند با استفاده از اسکن‌های MRI، امکان پیش‌بینی عود تومور مغزی در کودکان را بتوانند شناسایی کنند. این سامانه به دست آمده با استفاده از رویکرد «یادگیری زمانی» می‌تواند الگوهایی را کشف کند که در دانشمندان انسانی ممکن است نادیده گرفته شوند.
سامانه «هوش مصنوعی»، نوعی از یادگیری عمیق است که مجموعه‌ای از اسکن‌های مغزی گرفته شده پس از درمان را بررسی می‌کند. این سامانه آموزشی است که با استفاده از الگوهای تغییرات در اسکن‌های MRI پس از جراحی، توانایی آن را در پیش‌بینی عود تومور را بهبود بخشیده است.
**تلاش یک جامعه علمی برای پیشرفت «هوش مصنوعی» در تشخیص سرطان**
سرطان‌های کودکان نسبتاً نادر هستند و مطالعاتی که روی این موضوع می‌پردازند اغلب با چالش‌هایی روبرو هستند. برای غلبه بر این مشکل، محققان برای جمع‌آوری داده‌های لازم، از مؤسساتی در سراسر ایالات متحده کمک گرفته‌اند. این داده‌ها شامل ۴۰۰۰ اسکن MRI از ۷۱۵ کودک است.
با استفاده از رویکرد «یادگیری زمانی»، محققان توانسته‌اند به «هوش مصنوعی» دستور دهند تا تصاویر MRI را به ترتیب زمانی مرتب کند تا بتواند تغییرات کوچک را تشخیص دهد. سپس آن‌ها تنظیمات مدل را به‌روزرسانی کردند تا تغییرات را با عود سرطان به درستی مرتبط کند.
**افزایش دقت با استفاده از «یادگیری زمانی»**
در نهایت، محققان دریافتند که مدل «یادگیری زمانی»، عود گلیومای درجه پایین یا بالا را تا یک سال پس از درمان، با دقت ۷۵ تا ۸۹ درصد پیش‌بینی می‌کند. ارائه تصاویر پس از درمان به «هوش مصنوعی» دقت پیش‌بینی این سامانه را افزایش داده است.
**راه‌اندازی آزمایش‌های بالینی**
محققان اعتبارسنجی بیشتری در تنظیمات این سامانه را ضروری می‌دانند قبل از کاربرد بالینی. آن‌ها امیدوارند آزمایش‌های بالینی را آغاز کنند تا ببینند آیا پیش‌بینی‌های «هوش مصنوعی» می‌تواند منجر به بهبود مراقبت‌ها شود یا خیر. این پیش‌بینی‌ها می‌تواند با کاهش دفعات تصویربرداری برای بیماران کم‌خطر یا با درمان پیشگیرانه بیماران پرخطر منجر به بهبود مراقبت‌ها شود.
**پتانسیل «هوش مصنوعی» در افزایش دقت پیش‌بینی سرطان**
دیویانشو تاک، نویسنده ارشد این مطالعه در بیمارستان عمومی ماساچوست می‌گوید: «ما نشان داده‌ایم که «هوش مصنوعی» قادر به بررسی مؤثر و پیش‌بینی از تصاویر متعدد است. این تکنیک ممکن است در بسیاری از محیط‌هایی که بیماران تصویربرداری‌های مکرر و متوالی انجام می‌دهند، اعمال شود و ما هیجان‌زده‌ایم که ببینیم این پروژه الهام‌بخشی چه مسائلی خواهد بود.»