محققان دانشگاه بن نشان می دهند که چگونه یادگیری ماشینی ارزیابی داده های حاصل ازتجزیه و تحلیل خون را بهبود می بخشد. وجود سرطان سیستم لنفاوی اغلب با تجزیه و تحلیل نمونه های خون یا مغز استخوان مشخص می شود. تیمی از دانشگاه بن در سال 2020 نشان داده بود که هوش مصنوعی می تواند در تشخیص چنین لنفوم ها و لوسمی ها کمک کند. این فناوری به طور کامل از پتانسیل همه مقادیر اندازه گیری استفاده می کند و سرعت و عینیت تجزیه و تحلیل را در مقایسه با فرآیندهای تعیین شده افزایش می دهد. این روش اکنون توسعه یافته است تا آزمایشگاههای کوچکتر نیز بتوانند از این روش یادگیری ماشینی با دسترسی آزاد بهره مند شوند.

گره های لنفاوی متورم می شوند ، کاهش وزن و خستگی و تب و عفونت وجود دارد - اینها علائم معمول لنفوم های بدخیم سلول B و لوسمی های مربوط به آن است. در صورت مشکوک بودن به چنین سرطانی در سیستم لنفاوی ، پزشک نمونه خون یا مغز استخوان را گرفته و به آزمایشگاه های تخصصی ارسال می کند. فلوسیتومتری روشی است که در آن سلولهای خونی با سرعت زیاد از سنسورهای اندازه گیری عبور می کنند. بسته به شکل ، ساختار یا رنگ سلول ها می توان ویژگی های آنها را تشخیص داد. آزمایشگاه ها از "آنتی بادی" هایی استفاده می کنند که به سطح سلول ها متصل شده و با رنگ های فلورسنت ترکیب می شوند. از چنین نشانگرهایی می توان برای تشخیص تفاوتهای کوچک بین سلولهای سرطانی و سلولهای خونی سالم نیز استفاده کرد.فلوسیتومتری مقدار زیادی داده تولید می کند. به طور متوسط ، بیش از 50،000 سلول در هر نمونه اندازه گیری می شود. سپس این داده ها معمولاً با ترسیم بیان نشانگرهای مورد استفاده در مقابل یکدیگر روی صفحه تجزیه و تحلیل می شوند.

به همین دلیل دانشمندان علوم زیستی ، بررسی کردند که چگونه می توان از هوش مصنوعی برای تجزیه و تحلیل داده های سیتومتری استفاده کرد. این تیم بیش از 30،000 مجموعه داده از بیماران مبتلا به لنفوم سلول B را برای آموزش هوش مصنوعی (AI) در نظر گرفت.

ناندیتا مالش می گوید: "هوش مصنوعی از داده ها نهایت استفاده را می برد و سرعت و عینی بودن تشخیص ها را افزایش می دهد."

نتیجه ارزیابی های هوش مصنوعی یک تشخیص پیشنهادی است که هنوز باید توسط پزشک تأیید شود. در این فرایند ، هوش مصنوعی نشانه هایی از سلول های بارز را ارائه می دهد. ویژگی جدید فوق العاده هوش مصنوعی که اکنون ارائه شده در امکان انتقال دانش نهفته است. به خصوص آزمایشگاههای کوچکتر که توانایی تخصص در زمینه بیوانفورماتیک خود را ندارند و همچنین ممکن است نمونه های بسیار کمی برای توسعه هوش مصنوعی خود از ابتدا داشته باشند ، می توانند از این مزیت بهره مند شوند. پس از یک مرحله آموزشی کوتاه ، که طی آن هوش مصنوعی با ویژگی های آزمایشگاه جدید آشنا می شود ، می تواند از دانش مشتق شده از هزاران مجموعه داده استفاده کند.

201000627.029