هر سال بیش از 40000 مورد جدید سرطان تیروئید گزارش می شود. در حالی که 60 تا 80 درصد از بیماران مبتلا به تومورهای تیروئید تحت بیوپسی قرار می گیرند، عوارض مالی و فیزیکی این روش ها ممکن است برای مبتلایان به تومورهای خوشخیم غیر ضروری باشد. در حال حاضر برای اندازه گیری دقیق وضعیت تومور چالش برانگیز است، زیرا پزشکان مختلف نظرات متفاوتی در مورد سطح تهدید تومور دارند.
روشهای استاندارد اولتراسوند، که تصاویری از بافتها و اندامها را بر اساس امواج صوتی منعکس میکنند، در شناسایی تومورهای تیروئید کارآمد هستند. این فناوری میتواند در تشخیص امواج کوچک منتشر شده از رگهای خونی کوچک، یا ریز عروق، از بافتهای اطراف مناسب باشد و این ریز عروق ها هستند که سرنخهای حیاتی در مورد ماهیت سرطانی یک توده ارائه میکند. سونوگرافی استاندارد بهمراه عوامل کنتراست میتواند تصاویر دقیقی از عروق تومور را نمایش دهد که این مواد نیاز به تزریق به بیماران دارند و گاهی اوقات عوارض جانبی نامطلوبی ایجاد میکنند. در حالی که تکنیکهای جدید اولتراسوند میتوانند تصاویر واضحتری از ندول ارائه دهند.
محققان کالج پزشکی و علوم کلینیک مایو (روچستر، MN، ایالات متحده آمریکا) نشان دادهاند که یک روش پیشگام تشخیص سرطان است که تکنیکهای پیشرفته اولتراسوند را با هوش مصنوعی (AI) ترکیب میکند و میتواند به طور موثر سرطان تیروئید را تشخیص دهد. این روش – که به آن تصویربرداری ریز عروقی با وضوح بالا یا HDMI گفته می شود – به صورت غیر تهاجمی تصاویری از عروق کوچک درون تومورها می گیرد و بر اساس ویژگی های عروق، توده ها را به طور خودکار دسته بندی می کند. محققان بر این باورند که HDMI به طور بالقوه می تواند چالش تشخیصی طولانی مدت ارزیابی تومورهای تیروئید را در یک محیط بالینی حل کند.
محققان HDMI را در تلاش برای توسعه یک نوع تصویربرداری مقرون به صرفه و غیر تهاجمی برای ارزیابی تومورهای تیروئید که می تواند نتایج قابل اندازه گیری ارائه دهد و خطاها را به حداقل برساند، توسعه دادند. این سیستم از یادگیری ماشینی، زیرمجموعه ای از هوش مصنوعی، برای ارزیابی تصاویر با وضوح بالا از عروق ریز تومور استفاده می کند. این تکنیک قبلاً پتانسیل ارزیابی دقیق تومورهای پستان نشان داده است. در یک مطالعه اخیر، این تیم HDMI را روی تومورهای تیروئید در 92 بیمار آزمایش کردند. آنها تصاویری از تومورها را با استفاده از HDMI ثبت کردند و ده ها ویژگی مربوط به اندازه و شکل عروق ریز در تصاویر، از جمله چگالی و نقاط انشعاب آنها را تجزیه و تحلیل کردند. همه بیماران در این مطالعه، با مشورت پزشکان خود، بیوپسی تومورهای خود را برای تایید وضعیت بدخیمی خود انتخاب کردند. کسانی که تومورهای سرطانی تلقی میشدند برای برداشتن توده تحت عمل جراحی قرار گرفتند.
محققان الگوریتم های یادگیری ماشین خود را با 70 درصد از داده های تصویربرداری خود از تومورهای بیمار همراه با وضعیت بدخیمی ارائه کردند تا به الگوریتم ها نحوه تفسیر ویژگی های مختلف را آموزش دهند.
عذرا علیزاد، نویسنده این مطالعه، استاد رادیولوژی و مهندسی بیومدیکال در کلینیک مایو، گفت: «از آنجایی که HDMI به شما امکان می دهد تا به طور عینی ندول های خوش خیم را از ندول های بدخیم متمایز کنید، می تواند دقت تشخیصی را تا حد زیادی بهبود بخشد و تعداد جراحی های غیرضروری را که اکنون انجام می شود کاهش دهد.