تکنیک‌های مبتنی بر یادگیری عمیق در تقسیم‌بندی تومور مغزی گلیوما با استفاده از MRI چند پارامتری: مروری بر کاربردهای بالینی و چشم‌اندازهای آینده

با این حال، پیچیدگی گلیوم ها با توجه به تغییرات فیزیولوژیکی و ریزساختاری متنوعی که در داخل تومور و بافت اطراف آن رخ می دهد، نیاز به رویکرد ظریف تری دارد. MRI مولتی پارامتریک در ثبت ماهیت چند وجهی گلیوم ها، ارائه اطلاعات ارزشمندی در مورد ساختار تومور، عروق و تراکم سلولی بسیار مفید است. این تکنیک تصویربرداری شامل توالی‌های MRI اضافی، مانند تصویربرداری با وزن انتشار (DWI)، تصویربرداری با وزن پرفیوژن (PWI) و توالی‌های طیف‌سنجی تشدید مغناطیسی (MRS) است. ام آر آی چند پارامتری را می توان در یک جلسه انجام داد و در بیشتر موارد از چندین جلسه تصویربرداری اجتناب کرد.

به همین منظور دلآرام قدیمی و همکاران مطالعه ایی با هدف بررسی جامع نقش یادگیری عمیق (DL) را در بخش‌بندی گلیوم با استفاده از داده‌های تصویربرداری تشدید مغناطیسی چندپارامتری (MRI) انجام دادند. این مطالعه تکنیک‌های پیشرفته‌ای مانند MRI چندپارامتری را برای ثبت ماهیت پیچیده گلیوما بررسی کرد. این تحقیق به ادغام DL با MRI، با تمرکز بر شبکه های عصبی کانولوشنال (CNN) و قابلیت های قابل توجه آنها در تقسیم بندی تومور می پردازد. کاربردهای بالینی تقسیم بندی مبتنی بر DL، از جمله برنامه ریزی درمان، نظارت بر پاسخ درمان و تمایز بین پیشرفت تومور برجسته شده است. علاوه بر این، در این مطالعه تکامل مطالعات تقسیم‌بندی مبتنی بر DL از مدل‌های اولیه CNN تا پیشرفت‌های اخیر مانند مکانیسم‌های توجه و مدل‌های ترانسفورماتور بررسی شد.

نتایج این مطالعه ی سیستماتیک که در مجله Journal of Magnetic Resonance Imaging (JMRI)  در سال 2024 به چاپ رسید بیان میکند که آینده تقسیم‌بندی تومور، به‌ویژه در تشخیص و درمان گلیوم، با پیشرفت‌های مداوم در مدل‌های DL و فناوری‌های تصویربرداری پزشکی نویدبخش است. همانطور که هوش مصنوعی تکامل می یابد، جنبه های مختلف تقسیم بندی تومور نیازمند تحقیقات و بهبود بیشتر است. توسعه مدل‌های DL برای تقسیم‌بندی طولی روی تصاویر تصویربرداری، بینش‌های مهمی را در مورد پیشرفت بیماری و اثربخشی درمان ارائه می‌کند. ادغام داده‌های ژنومی در مدل‌های DL به عنوان یک راه بالقوه برای تقویت طبقه‌بندی بیماران و درک علل بیولوژیکی گلیوم‌ها برجسته است. ترکیب داده‌های رادیومیک و ژنومیک این پتانسیل را دارد که انتخاب‌های درمانی مناسب‌تر و مؤثرتری را ارائه کند. پرداختن به این موضوع به مجموعه داده‌های بزرگتر، متنوع‌تر و مشروح‌تر برای آموزش مدل‌های DL قوی و قابل تعمیم نیاز دارد. تعیین تومور، امکان تشخیص زودهنگام و پیش‌بینی دقیق‌تر پیش‌آگهی را فراهم می‌کند. این امر به پزشکان اجازه می دهد تا برنامه های درمانی مناسبی را ایجاد کنند و در نهایت نتایج بیمار را بهبود بخشند. علاوه بر این، تقسیم‌بندی مبتنی بر DL می‌تواند ویژگی‌های تومور ژنتیکی منحصربه‌فرد را شناسایی کند و توسعه درمان‌های هدفمند را هدایت کند و در نتیجه کنترل تومور و کیفیت زندگی بیمار را افزایش دهد.