تحلیل داده های زیستی و تصاویر پاتولوژی با هوش مصنوعی
به گزارش پروژه آسان، محققان دانشگاه تهران با بهره گیری از هوش مصنوعی و یادگیری ماشین، گامی نو در تحلیل داده های زیستی و تصاویر پاتولوژی برداشتند.
به گزارش پروژه آسان 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 زمینه یادگیری عمیق و پزشکی شخصی سازی شده شدند.
مسعودی نژاد در این زمینه 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 اضافه کرد: 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 با 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 شرایط 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 پیشبینی بقا در بیماران دچار سرطان آندومتریوئید رحم بود.
وی توضیح داد: در این مطالعه، 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 انتها 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 بیماری ها و توسعه راهکارهای شخصی سازی شده درمانی منجر شود.
به اجمال، به گزارش پروژه آسان به نقل از دانشگاه تهران، تعدادی 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 محققان آزمایشگاه سیستم بیولوژی و بیوانفورماتیک، موفق به انجام دو پژوهش علمی نوآورانه در حوزه یادگیری عمیق و پزشکی شخصی سازی شده شدند. این پژوهشگر افزود: نتایج نشان داد که این رویکرد، اطلاعات در ارتباط 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.
منبع: ezproject.ir
این مطلب پروژه آسان را پسندیدید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب