تحلیل داده های زیستی و تصاویر پاتولوژی با هوش مصنوعی
هوا فضا: محققان دانشگاه تهران با استفاده از هوش مصنوعی و یادگیری ماشین، قدمی نو در تحلیل داده های زیستی و تصاویر پاتولوژی برداشتند.
به گزارش هوا فضا به نقل از دانشگاه تهران، گروهی از محققان دانشکدگان فنی دانشگاه تهران، به سرپرستی علی مسعودی نژاد، استاد سیستم بیولوژی و بیوانفورماتیک دانشکده علوم مهندسی، با همکاری بهناز حاجی ملاحسینی، دانشجوی دکتری؛ احمدرضا ایرانپور، دانشجوی دانشگاه اوترخت هلند و سودا ایمانی، دانشجوی دانشگاه پازمانی مجارستان و سایر پژوهشگران لابراتوار سیستم بیولوژی و بیوانفورماتیک، موفق به انجام دو پژوهش علمی نوآورانه در حوزه یادگیری عمیق و پزشکی شخصی سازی شده شدند.
مسعودی نژاد در اینباره اظهار داشت: این مطالعات که در مجلات بین المللی انتشارات الزویر به ترتیب با ضریب تأثیر ۱۳ و ۶.۳ انتشار یافته اند، بر به کارگیری مدلهای هوش مصنوعی برای پیشرفت دقت تحلیل داده های زیستی و پاتولوژیک تمرکز دارند.
وی اضافه کرد: در اولین پژوهش، ما با دسته بندی روش ها در چهار گروه اصلی روش های مبتنی بر یادگیری عمیق مانند GAN و autoencoder، روش های سنتی مانند تطبیق هیستوگرام، مدلهای ترکیبی و روش جدید مبتنی بر پردازش سیگنال نشان دادیم که هرکدام از این رویکردها مزایا و محدودیت های خاص خودرا دارند.
استاد سیستم بیولوژی دانشگاه تهران افزود: نتایج مطالعه ما بر اهمیت حفظ اطلاعات زیستی در پروسه عادی سازی و نقش آن در افزایش دقت سیستم های تشخیص کامپیوتری تاکید می کند.
مسعودی نژاد ضمن اشاره به جزییات پژوهش توضیح داد: ما علاوه بر مرور دقیق مطالعات پیشین، چارچوبی نوین برای مقایسه ی نظام مند میان روش های عادی سازی ارایه کردیم که امکان ارزیابی عملکرد روش ها را در وضعیت مختلف فراهم می سازد.
وی اضافه کرد: این چارچوب می تواند به محققان و متخصصان پاتولوژی دیجیتال در انتخاب بهینه ترین روش متناسب با نوع داده و هدف پژوهش کمک نماید.
مسعودی نژاد در مورد پژوهش دوم اظهار داشت: در این مطالعه، تمرکز بر تحلیل داده های چنداُمیک (multi-omics) و به کارگیری مدلهای یادگیری عمیق برای پیش بینی بقا در بیماران دچار سرطان آندومتریوئید رحم بود.
وی توضیح داد: در این تحقیق، داده های بیان ژن، متیلاسیون DNA و پروتئوم از پروژه ی TCGA-UCEC مورد بررسی قرار گرفت و یک خودرمزگذار (autoencoder) جدید با تابع هزینه ی اختصاصی طراحی شد تا روابط غیرخطی پیچیده میان خاصیت های زیستی و میزان بقا را بهتر شناسایی کند.
این پژوهشگر اضافه کرد: نتایج نشان داد که این رویکرد، اطلاعات در رابطه با بقا را دقیق تر از روش های معمول استخراج می کند و به شناسایی مسیرهای مولکولی کلیدی مانند مسیر ویتامین D و گیرنده گالانین انجامید که با پیش آگهی بیماران ارتباط دارند.
مسعودی نژاد در آخر اشاره کرد: به باور ما، ادغام روش های یادگیری عمیق با تحلیل داده های زیستی و تصویری می تواند به درک عمیق تر از مکانیسم های مولکولی بیماریها و توسعه راهکارهای شخصی سازی شده درمانی منجر شود.
این مطلب هوافضا را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات کاربران هوافضا در مورد این مطلب