عنوان طرح : توسعه یک رویکرد طبقه‌بندی کارآمد مبتنی بر هوش مصنوعی برای پاسخ سرطان کولورکتال به رادیوشیمی درمانی

مجری/ مجریان : فاطمه بهرامی بنان             همکار/ همکاران : دکتر سعید افشار/دکتر امیر طاهرخانی/دکتر میثم علی ضمیر/ کیهان مرادویسی                                       تاریخ انتشار: اردیبهشت1404                                         نوع طرح : طرح تحقیقاتی دانشجویی

عنوان خبر: طبقه‌بندی کارآمد مبتنی بر هوش مصنوعی برای پاسخ سرطان کولورکتال به رادیوشیمی درمانی

متن خبر:

پژوهشگران در مطالعه‌ای نوآورانه موفق شدند با بهره‌گیری از الگوریتم‌های پیشرفته یادگیری ماشین و یادگیری عمیق، گامی مهم در جهت بهبود درمان بیماران مبتلا به سرطان کولورکتال (CRC) بردارند. این نوع سرطان که دومین عامل مرگ‌ومیر ناشی از سرطان در جهان محسوب می‌شود، هم‌اکنون با چالش بزرگی به نام «پاسخ‌دهی متغیر بیماران به درمان» مواجه است.در این پژوهش، که داده‌های آن از پایگاه بین‌المللی GEO استخراج شده است، محققان هفت مدل پیشرفته هوش مصنوعی از جمله Random Forest، Gradient Boosting، و شبکه‌های عصبی کانولوشنی (CNN) را برای پیش‌بینی پاسخ بیماران به شیمی‌پرتودرمانی مورد ارزیابی قرار دادند. آن‌ها همچنین سه روش انتخاب ویژگی برای شناسایی مهم‌ترین ژن‌های مؤثر در پاسخ به درمان به کار گرفتند: اطلاعات متقابل (MI)، آزمون F، و آزمون کای‌دو.نتایج این مطالعه نشان داد که برخی از مدل‌ها توانستند با دقتی تا حدود ۹۴ درصد، بیماران پاسخ‌دهنده و غیرپاسخ‌دهنده به درمان را به‌درستی طبقه‌بندی کنند. همچنین مشخص شد که روش‌های انتخاب ویژگی MI و F-classif نتایج بهتری نسبت به Chi-Square ارائه می‌دهند.به گفته نویسندگان این مقاله، استفاده از این مدل‌ها می‌تواند در آینده‌ای نزدیک به توسعه سامانه‌های هوشمند پشتیبان تصمیم‌گیری برای پزشکان منجر شود و نقشی مؤثر در انتخاب درمان هدفمند و کاهش عوارض جانبی ایفا کند.این تحقیق، که در مجله Scientific Reports منتشر شده، گامی مهم در جهت ادغام فناوری‌های نوین با پزشکی بالینی و حرکت به سوی درمان شخصی‌سازی‌شده برای بیماران سرطانی به شمار می‌رود .[Bahrambanan, 2025 #247] 

Bahrambanan, F., Alizamir, M., Moradveisi, K., Heddam, S., Kim, S., Kim, S., ... & Taherkhani, A. (2025). The development of an efficient artificial intelligence-based classification approach for colorectal cancer response to radiochemotherapy: deep learning vs. machine learning. Scientific Reports, 15(1), 62.‏

منبع:

درصورت چاپ مقاله طرح به مقاله چاپ شده با سبک ونکوور استناد دهید. در غیر اینصورت مطابق نمونه زیر رفرنس دهید.

محمدی، علی و همکاران. عنوان طرح [ طرح تحقیقاتی]. همدان: دانشگاه علوم پزشکی همدان،1931

Mohammadi, A., et al. Title [Research Project ]. Hamadan: Hamadan University of MedicalSciences,2015.

گروه مخاطب

پیام پژوهش

پژوهشگران حوزه سرطان و زیست‌پزشکی

استفاده از داده‌های بیان ژنی و مدل‌های پیشرفته یادگیری ماشین نشان می‌دهد که هدف مطالعه، به‌کارگیری روش‌های تحلیلی پیشرفته در تحقیقات زیستی و پزشکی است

متخصصان علوم داده پزشکی و هوش مصنوعی

استفاده از مدل‌های متنوع یادگیری ماشین (مانند RF، CNN، MLP) و تحلیل کارایی آن‌ها در طبقه‌بندی بیماران، این مطالعه را برای دانشمندان داده، متخصصان هوش مصنوعی پزشکی، و توسعه‌دهندگان الگوریتم‌های تحلیل داده‌ زیستی قابل توجه می‌کند

پزشکان و متخصصان انکولوژی

این مطالعه می‌تواند به پزشکان در پیش‌بینی پاسخ بیماران به شیمی‌پرتودرمانی کمک کند، به ویژه با تمرکز بر شناسایی بیماران پاسخ‌دهنده و غیرپاسخ‌دهنده به درمان، که برای تصمیم‌گیری بالینی حیاتی است.

محل بکارگیری نتایج تحقیق( صنعت، جامعه)

پیشنهاد نحوه کاربست

آزمایشگاه‌های تحقیقاتی در حوزه بیوانفورماتیک و داده‌کاوی پزشکی

با توجه به استفاده از مدل‌های یادگیری ماشین و الگوریتم‌های انتخاب ویژگی، این طرح قابلیت پیاده‌سازی در مراکز تحقیقاتی و دانشگاه‌ها را نیز دارد

پژوهش‌های بالینی و کاربردی در هوش مصنوعی پزشکی

این تحقیق می‌تواند مبنایی برای توسعه ابزارهای پشتیبان تصمیم‌گیری در کلینیک‌ها و بیمارستان‌ها باشد و به پزشکان کمک کند که با دقت بالاتری درمان مناسب بیماران را پیش‌بینی کنند.

لینک مقاله :

https://www.nature.com/articles/s41598-024-84023-w#Sec2

ایمیل ارتباطی و تلفن مجری اصلی طرح: Fbahramibanan@yahoo.com