Machine Learning-Based Prediction of Lung Cancer Risk in COPD Patients Using Clinical Severity Indicators and Comorbidity Profile
طورت هذه الدراسة وتحققت داخلياً من صحة إطار عمل يعتمد على التعلم الآلي باستخدام مؤشرات الشدة السريرية وملفات الأمراض المصاحبة لتصنيف مخاطر سرطان الرئة لدى مرضى الانسداد الرئوي المزمن، ووجدت أن الشبكة العصبية الاصطناعية تفوقت على النماذج الأخرى بدقة واستدعاء عاليين مع تسليط الضوء على الحاجة إلى التحقق الخارجي قبل التنفيذ السريري.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في كل عام، يحصد سرطان الرئة أرواحاً أكثر من أي شكل آخر من الأمراض، مما يجعل اكتشافه المبكر هدفاً حاسماً للأطباء والباحثين. وبالنسبة للأشخاص الذين يعيشون مع مرض الانسداد الرئوي المزمن (COPD)، وهو حالة تسبب تلفاً تدريجياً للرئتين وتجعل التنفس صعباً، فإن المخاطر تكون أعلى بكثير. فهؤلاء المرضى يواجهون بالفعل خطراً أكبر بكثير للإصابة بسرطان الرئة مقارنة بعامة السكان، وهو ارتباط مدفوع بأسباب مشتركة مثل التدخين والالتهاب المستمر الذي يدمر أنسجة الرئة بمرور الوقت. ولأن الحالتين غالباً ما تسيران جنباً إلى جنب، سعى الأطباء منذ فترة طويلة لإيجاد وسيلة لفحص مريض يعاني من الانسداد الرئوي المزمن وتحديد من هو الأكثر عرضة لخطر الإصابة بسرطان الرئة. تعتمد طرق تقييم المخاطر التقليدية غالباً على قوائم مراجعة بسيطة أو حسابات خطية، والتي قد تكافح لرؤية الأنماط المعقدة والخفية التي تربط عمر المريض، وقدرته التنفسية، وتاريخه الطبي بحالته الصحية الحالية. وإذا أمكن إيجاد طريقة أفضل لتصنيف هؤلاء المرضى، فقد يساعد ذلك في تحديد أولويات من يحتاجون إلى فحص فوري ومكثف، مما قد يؤدي إلى كشف السرطان عندما يكون صغيراً وقابلاً للعلاج.
لقد وضع فريق من الباحثين هدفاً لبناء نوع جديد من الأدوات لحل هذه المشكلة، باستخدام فرع من علوم الحاسوب يُعرف باسم تعلم الآلة. وبدلاً من الاعتماد على معادلة واحدة، قاموا بتعليم الكمبيوتر كيفية التعلم من آلاف السجلات الحقيقية للمرضى للعثور على الإشارات الدقيقة التي تشير إلى الخطر. لقد جمعوا بيانات عن 2300 شخص تم تشخيص إصابتهم بالانسداد الرئوي المزمن، وجمعوا مجموعة واسعة من المعلومات لكل شخص. وشمل ذلك تفاصيل أساسية مثل العمر والجنس، وشدة مرض الرئة لديهم، والمسافة التي يمكنهم مشيها في ست دقائق، وتاريخ التدخين لديهم مقاساً بـ "سنوات العبوات"، وهي طريقة لحساب كمية التدخين التي استهلكها الشخص طوال حياته. كما نظروا أيضاً في أرقام محددة لوظائف الرئة، ودرجات القلق والاكتئاب، وما إذا كان المرضى يعانون من مشاكل صحية أخرى مثل السكري أو أمراض القلب. وكان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر النظر في هذه الصورة الكاملة وتصنيف ما إذا كان هؤلاء المرضى مصابين حالياً بسرطان الرئة أم لا.
ولاختبار فكرتهم، قام الباحثون بتغذية هذه المعلومات في ستة أنواع مختلفة من النماذج الحاسوبية، تتراوح من الأساليب الإحصائية البسيطة إلى أنظمة الذكاء الاصطناعي المعقدة. وقد قسموا البيانات بحيث يمكن للكمبيوتر أن يتعلم من معظم المرضى ثم يتم اختباره على مجموعة منفصلة لم يسبق له رؤيتها من قبل، لضمان أن تكون النتائج صادقة وليست مجرد إجابات محفوظة. وأظهرت النتائج أن النماذج غير الخطية الأكثر تقدماً كانت متفوقة بمراحل على النماذج الأبسط. وكان الأفضل أداءً هو نوع من الذكاء الاصطناعي يسمى "الشبكة العصبية الاصطناعية"، والتي تحاكي الطريقة التي يعالج بها الدماغ البشري المعلومات من خلال طبقات من الروابط. حدد هذا النموذج وجود سرطان الرئة بشكل صحيح في 92 بالمائة من الحالات التي تم اختبارها، وهو معدل يُعرف باسم "الاستدعاء" (recall)، وحقق درجة دقة إجمالية بلغت 90 بالمائة. كما حقق نموذج قوي آخر يسمى "الغابة العشوائية" (Random Forest)، والذي يعمل من خلال الجمع بين آراء العديد من أشجار القرار الصغيرة، أداءً يقارب ذلك، حيث حدد 90 بالمائ@ من حالات السرطان بشكل صحيح.
كما كشفت الدراسة عن العوامل التي كانت أكثر أهمية للكمبيوتر عند اتخاذ قراراته. وكانت الأدلة الأكثر تأثيراً هي تاريخ المريض في التدخين، وشدة مرض الانسداد الرئوي المزمن، وقياس محدد لكمية الهواء التي يمكنهم دفعها خارج رئاتهم في ثانية واحدة. كما لعب العمر دوراً مهماً أيضاً. وهذا يتوافق مع ما يعرفه الأطباء بالفعل عن المرض، ولكن قدرة الكمبيوتر على وزن كل هذه العوامل معاً في وقت واحد سمحت له برصد المخاطر التي قد تغفل عنها الطرق الأبسط. ووجد الباحثون أن النماذج المتقدمة لم تكن فقط أفضل في رصد المرض، بل كانت أيضاً أفضل في تقدير الاحتمالية الدقيقة للخطر، مما يعطي رقماً أكثر موثوقية من الطرق التقليدية القديمة.
ومع ذلك، يحرص الباحثون على التأكيد على أن هذا العمل يعد خطوة كبيرة للأمام، ولكنه ليس الوجهة النهائية. فقد أُجريت الدراسة بالكامل على مجموعة بيانات واحدة دون بيانات متابعة طويلة الأمد، مما يعني أن الكمبيوتر تم تدريبه لتصنيف حالة الخطر الحالية بدلاً من التنبؤ بمن سيصاب بالسرطان في المستقبل. وبينما تعد النتائج واعدة وتشير إلى أن هذه الأدوات يمكن أن تساعد الأطباء يوماً ما في اتخاذ قرارات أفضل، إلا أن النماذج لم تُختبر بعد على مرضى من مستشفيات مختلفة أو مناطق مختلفة من العالم، كما لا يمكنها بعد تحديد من هو الأكثر عرضة للإصابة بالسرطان لاحقاً. وقبل أن يصبح مثل هذا النظام قابلاً للاستخدام في عيادة حقيقية لتحديد من يحصل على فحص، فإنه يحتاج إلى إثبات عمله بشكل موثوق عبر مجموعات سكانية متنوعة، ودمجه في سير العمل اليومي لمقدمي الرعاية الصحية. وفي الوقت الحالي، تعمل هذه الدراسة كإثبات قوي للمفهوم، حيث توضح أنه عندما نجمع بين التاريخ التفصيلي للمريض والحوسبة الحديثة، يمكننا رؤية أنماط الخطر التي كانت غير مرئية سابقاً، مما يفتح مساراً جديداً نحو كشف سرطان الرئة في مرحلة مبكرة لدى المرضى الأكثر عرضة للخطر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.