کاربرد هوش مصنوعی در غربالگری زودهنگام سرطان پروستات: مروری نظام مند بر دقت تشخیصی مدل های یادگیری ماشین

مقدمه و هدف: سرطان پروستات به عنوان یکی از شایع ترین بدخیمی ها در مردان، به ویژه در سنین بالاتر، یکی از چالش های مهم نظام های سلامت محسوب می شود. در ایران نیز این سرطان در میان شایع ترین سرطان های مردان قرار دارد و روند افزایشی بروز آن در سال های اخیر نگرانی های قابل توجهی ایجاد کرده است. با وجود نقش مهم غربالگری در کاهش پیامدهای ناشی از تشخیص دیرهنگام، روش های رایج مانند اندازه گیری آنتی ژن اختصاصی پروستات (PSA) با محدودیت هایی از جمله ویژگی تشخیصی پایین و افزایش احتمال انجام بیوپسی های غیرضروری همراه هستند. در سال های اخیر، پیشرفت های حوزه هوش مصنوعی، به ویژه الگوریتم های یادگیری ماشین و یادگیری عمیق، فرصت های جدیدی را برای ارتقای فرآیندهای تشخیصی فراهم کرده اند. این فناوری ها با قابلیت تحلیل حجم گسترده ای از داده های بالینی، تصویربرداری و آزمایشگاهی، می توانند به عنوان ابزارهای کمکی در افزایش دقت، سرعت و شخصی سازی تشخیص سرطان پروستات مورد استفاده قرار گیرند. هدف از مطالعه حاضر، مرور نظام مند شواهد موجود درباره کاربرد مدل های مبتنی بر هوش مصنوعی در تشخیص زودهنگام سرطان پروستات و ارزیابی عملکرد تشخیصی این مدل ها در مقایسه با روش های استاندارد موجود است. روش شناسی: این مطالعه یک مرور نظام مند بود که مطابق با دستورالعمل PRISMA ۲۰۲۰ طراحی و اجرا شد. به منظور شناسایی مطالعات مرتبط، یک جستجوی گسترده در پایگاه های اطلاعاتی PubMed، Scopus، Web of Science و Cochrane Library برای مقالات منتشرشده در بازه زمانی ۲۰۱۵ تا ۲۰۲۶ انجام گرفت. استراتژی جستجو بر اساس ترکیبی از کلیدواژه های مرتبط با هوش مصنوعی و غربالگری سرطان پروستات، شامل Artificial Intelligence، Machine Learning، Deep Learning، Prostate Cancer Screening، Diagnostic Accuracy و Early Detection تنظیم شد. مطالعاتی که در این مرور وارد شدند شامل کارآزمایی های بالینی تصادفی شده، مطالعات کوهورت آینده نگر و گذشته نگر و مطالعات مورد-شاهدی بودند که عملکرد مدل های مبتنی بر هوش مصنوعی را در زمینه تشخیص زودهنگام سرطان پروستات بررسی کرده بودند. ارزیابی کیفیت روش شناختی و خطر سوگیری مطالعات منتخب با استفاده از ابزار QUADAS-AI انجام شد. نتایج: مرور مطالعات نشان داد که کاربرد هوش مصنوعی در غربالگری و تشخیص زودهنگام سرطان پروستات عمدتا به عنوان یک ابزار کمکی در کنار روش های موجود، شامل اندازه گیری PSA، تصویربرداری و ارزیابی پاتولوژیک، توسعه یافته است. بیشترین تمرکز مطالعات بر بهبود طبقه بندی خطر، افزایش دقت تفسیر تصاویر و کاهش انجام اقدامات تشخیصی غیرضروری بوده است، در حالی که جایگزینی کامل روش های استاندارد مانند PSA هنوز در دستور کار مطالعات قرار ندارد. در حوزه تصویربرداری، به ویژه MRI چندپارامتری پروستات (mpMRI)، مدل های مبتنی بر یادگیری عمیق توانسته اند در شناسایی و قطعه بندی ضایعات مشکوک، کمک به تعیین امتیاز PI-RADS و کاهش تفاوت بین ارزیابی کنندگان نقش موثری ایفا کنند. نتایج مطالعات نشان داد که عملکرد برخی سامانه های هوش مصنوعی در تشخیص سرطان پروستات از نظر بالینی مهم (clinically significant prostate cancer; csPCa) قابل مقایسه یا حتی برتر از عملکرد متوسط رادیولوژیست ها بوده است. همچنین استفاده از این مدل ها با کاهش زمان تفسیر تصاویر و کاهش موارد مثبت کاذب همراه بوده و در برخی مطالعات توانسته است تعداد بیوپسی های غیرضروری را بدون کاهش حساسیت تشخیصی کاهش دهد. در زمینه تصمیم گیری برای انجام بیوپسی، مدل های ترکیبی مبتنی بر MRI و اطلاعات بالینی، شامل سطح PSA، تراکم PSA، حجم پروستات و سن بیمار، عملکرد بهتری نسبت به استفاده از PSA به تنهایی نشان داده اند. این مدل های چندوجهی (multimodal models) با بهبود پیش بینی سرطان پروستات بالینی مهم، امکان تعیین آستانه های شخصی سازی شده برای انجام بیوپسی و کاهش مداخلات غیرضروری را فراهم کرده اند. همچنین فناوری های مبتنی بر بیوپسی مایع و تحلیل نشانگرهای مولکولی مانند fragmentomics، DNA توموری در گردش (ctDNA) و mRNA بدون سلول (cf-mRNA)، به عنوان رویکردهای نوین هوش مصنوعی برای طبقه بندی خطر، به ویژه در بیماران با مقادیر PSA در محدوده خاکستری، مورد بررسی قرار گرفته اند. در حوزه پاتولوژی دیجیتال، الگوریتم های هوش مصنوعی توانسته اند تشخیص سلول های سرطانی و درجه بندی گلیسون (Gleason grading) را در اسلایدهای دیجیتال با دقتی نزدیک به ارزیابی متخصصان انجام دهند. این فناوری ها علاوه بر کاهش بار کاری پاتولوژیست ها، موجب افزایش هماهنگی در درجه بندی تومورها و کاهش زمان گزارش دهی شده اند. برخی مدل ها همچنین توانایی ارتباط الگوهای بافت شناختی با پیامدهای پیش آگهی مانند احتمال عود، گسترش بیماری و بقا را نشان داده اند که می تواند در طبقه بندی دقیق تر خطر بیماران نقش داشته باشد. به طور کلی، شواهد موجود نشان می دهد که مدل های هوش مصنوعی در تشخیص سرطان پروستات بالینی مهم معمولا عملکرد تشخیصی مطلوبی داشته اند و مقادیر سطح زیر منحنی (AUC) گزارش شده در بسیاری از مطالعات در محدوده ۰/۸۰ تا ۰/۹۱ قرار داشته است. همچنین برخی مطالعات کاهش قابل توجه زمان گزارش دهی تصاویر و ارزیابی های تشخیصی، در حدود ۵۰ تا ۶۶ درصد، را گزارش کرده اند. با وجود نتایج امیدوارکننده، چالش هایی همچنان باقی است؛ از جمله ناهمگونی داده های آموزشی، محدودیت مطالعات آینده نگر چندمرکزی، کاهش عملکرد مدل ها در ضایعات با امتیاز PI-RADS ۳، نیاز به اعتبارسنجی خارجی گسترده تر و ملاحظات مرتبط با پیاده سازی بالینی، مسائل اخلاقی و الزامات قانونی. نتیجه گیری: هوش مصنوعی در غربالگری اولیه سرطان پروستات عمدتا برای بهبود طبقه بندی خطر (فراتر از PSA)، بهبود تفسیر MRI و سونوگرافی، هدایت تصمیمات بیوپسی و تسریع درجه بندی دقیق پاتولوژی استفاده می شود. مدل های هوش مصنوعی چندوجهی که داده های بالینی، نشانگرهای زیستی و تصویربرداری را ترکیب می کنند، می توانند سرطان های بالینی مهم را بهتر شناسایی کنند و در عین حال بیوپسی های غیرضروری را کاهش دهند. با این حال، پذیرش بالینی گسترده هنوز نیازمند اعتبارسنجی بزرگ، آینده نگر و چند مرکزی و ادغام دقیق در گردش های کاری موجود است.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، سرطان پروستات ، غربالگری زودهنگام ، تشخیص