راهبردهای عملیاتی توسعه مدل یادگیری عمیق و رادیومیکس MRI برای پیش بینی پاسخ درمانی و پیامد بقا در سرطان رکتوم

سرطان رکتوم یکی از بیماری های مهم انتهای روده بزرگ، پرچالش برای متخصصان حوزه سلامت و نیازمند تصمیم گیری های درمانی دقیق و به موقع در مراحل اولیه تشخیص است. رویکرد فعلی درمان که اغلب شامل پرتودرمانی و شیمی درمانی پیش از جراحی است، به دلیل تنوع و ناهمگونی زیستی تومورها، با پاسخ های درمانی متفاوتی در بیماران همراه می شود و بخشی از آنان را بدون دریافت نتیجه کافی، در معرض عوارض شدید درمانی یا عود بیماری قرار می دهد. این خلاصه سیاستی، با استناد به یافته های یک مطالعه مدلسازی رادیوژنومیک تدوین شد که با مشارکت دویست بیمار، به بررسی پتانسیل مدل های هوش مصنوعی در پیش بینی پاسخ درمانی و پیامد بقای بیماران پرداخت. نتایج مطالعه نشان داد ادغام ویژگی های بافتی و ساختاری حاصل از تصاویر MRI پیش درمانی، با داده های پاتولوژی و نشانگرهای ژنومی مانند وضعیت جهش های KRAS و BRAF، دقت زیادی حدود ۸۵ درصد در پیش بینی بقای بدون بیماری و بقای کلی بیماران فراهم می کند. همچنین مدل های مبتنی بر یادگیری عمیق، پیش بینی پاسخ به درمان دقیق تری ارائه دادند. با این حال، اجرایی شدن این دستاوردها در حوزه بالین، نیازمند تدوین گزینه های سیاستی عملیاتی بود که با توجه به یافته های پژوهش و نظر متخصصان به این صورت «همسان سازی مدل های یادگیری عمیق رادیوژنومیک در سامانه های تصمیم یار بالینی بیمارستان های تخصصی، توسعه پروتکل ملی اعتبارسنجی و جمع آوری داده های چندمرکزی سرطان رکتوم، تدوین راهنماهای بالینی جدید برای غربالگری و پیش بینی پاسخ درمانی با استفاده از شاخص های زیستی ترکیبی (MRI و ژنومیک)»، پیشنهاد شد.

کلیدواژه ها:

سرطان رکتوم ، رادیومیکس MRI ، یادگیری عمیق ، تصمیم گیری بالینی ، پاسخ درمانی ، پزشکی شخصی سازی شده