گام جدید محققان دانشگاه تهران در تحلیل داده‌های زیستی و تصاویر پاتولوژی

نسیم گیلان - ایسنا / پژوهشگران دانشگاه تهران با استفاده از هوش مصنوعی و یادگیری ماشین، گامی نو در تحلیل داده‌های زیستی و تصاویر پاتولوژی برداشتند.
گروهی از پژوهشگران دانشکدگان فنی دانشگاه تهران، به سرپرستی دکتر علی مسعودی‌نژاد، استاد سیستم بیولوژی و بیوانفورماتیک دانشکده علوم مهندسی، با همکاری بهناز حاجی‌ملاحسینی، دانشجوی دکتری؛ احمدرضا ایرانپور، دانشجوی دانشگاه اوترخت هلند و سودا ایمانی، دانشجوی دانشگاه پازمانی مجارستان و سایر محققان آزمایشگاه سیستم بیولوژی و بیوانفورماتیک، موفق به انجام دو پژوهش علمی نوآورانه در زمینه یادگیری عمیق و پزشکی شخصی‌سازی‌شده شدند.
مسعودی‌نژاد در این باره گفت: این مطالعات که در مجلات بین‌المللی انتشارات الزویر به ترتیب با ضریب تأثیر 13 و 6.3 منتشر شده‌ است، بر به‌کارگیری مدل‌های هوش مصنوعی برای ارتقای دقت تحلیل داده‌های زیستی و پاتولوژیک تمرکز دارند.
بازار
وی افزود: در نخستین پژوهش، ما با دسته‌بندی روش‌ها در چهار گروه اصلی روش‌های مبتنی بر یادگیری عمیق مانند GAN و autoencoder، روش‌های سنتی مانند تطبیق هیستوگرام، مدل‌های ترکیبی و روش جدید مبتنی بر پردازش سیگنال نشان دادیم که هرکدام از این رویکردها مزایا و محدودیت‌های خاص خود را دارند.
استاد سیستم بیولوژی دانشگاه تهران ادامه داد: نتایج مطالعه ما بر اهمیت حفظ اطلاعات زیستی در فرآیند نرمال‌سازی و نقش آن در افزایش دقت سیستم‌های تشخیص کامپیوتری تأکید می‌کند.
مسعودی‌نژاد با اشاره به جزئیات پژوهش توضیح داد: ما علاوه بر مرور دقیق مطالعات پیشین، چارچوبی نوین برای مقایسه‌ نظام‌مند میان روش‌های نرمال‌سازی ارائه کردیم که امکان ارزیابی عملکرد روش‌ها را در شرایط مختلف فراهم می‌سازد.
وی افزود: این چارچوب می‌تواند به پژوهشگران و متخصصان پاتولوژی دیجیتال در انتخاب بهینه‌ترین روش متناسب با نوع داده و هدف پژوهش کمک کند.
به نقل از روابط عمومی دانشگاه تهران، مسعودی‌نژاد در مورد پژوهش دوم گفت: در این مطالعه، تمرکز بر تحلیل داده‌های چنداُمیک (multi-omics) و به‌کارگیری مدل‌های یادگیری عمیق برای پیش‌بینی بقا در بیماران مبتلا به سرطان آندومتریوئید رحم بود.
وی توضیح داد: در این پژوهش، داده‌های بیان ژن، متیلاسیون DNA و پروتئوم از پروژه‌ی TCGA-UCEC مورد بررسی قرار گرفت و یک خودرمزگذار (autoencoder) جدید با تابع هزینه‌ی اختصاصی طراحی شد تا روابط غیرخطی پیچیده میان ویژگی‌های زیستی و میزان بقا را بهتر شناسایی کند.
این پژوهشگر افزود: نتایج نشان داد که این رویکرد، اطلاعات مرتبط با بقا را دقیق‌تر از روش‌های معمول استخراج می‌کند و به شناسایی مسیرهای مولکولی کلیدی مانند مسیر ویتامین D و گیرنده گالانین انجامید که با پیش‌آگهی بیماران ارتباط دارند.
مسعودی‌نژاد در پایان خاطرنشان کرد: به باور ما، ادغام روش‌های یادگیری عمیق با تحلیل داده‌های زیستی و تصویری می‌تواند به درک عمیق‌تر از مکانیسم‌های مولکولی بیماری‌ها و توسعه راهکارهای شخصی‌سازی‌شده درمانی منجر شود.