راهبردهای عملیاتی توسعه مدل یادگیری عمیق و رادیومیکس MRI برای پیش بینی پاسخ درمانی و پیامد بقا در سرطان رکتوم

نویسندگان

1

2

3 دانشگاه علوم پزشکی قزوین

4 دانشگاه آزاد اسلامی

5

6

doi
10.48305/him.2026.46726.1428
چکیده

سرطان رکتوم یکی از بیماری‌‌های مهم انتهای روده بزرگ، پرچالش برای متخصصان حوزه سلامت و نیازمند تصمیم‌گیری‌های درمانی دقیق و به‌موقع در مراحل اولیه تشخیص است. رویکرد فعلی درمان که اغلب شامل پرتودرمانی و شیمی‌درمانی پیش از جراحی است، به دلیل تنوع و ناهمگونی زیستی تومورها، با پاسخ‌های درمانی متفاوتی در بیماران همراه می‌شود و بخشی از آنان را بدون دریافت نتیجه کافی، در معرض عوارض شدید درمانی یا عود بیماری قرار می‌دهد. این خلاصه سیاستی، با استناد به یافته‌های یک مطالعه مدلسازی رادیوژنومیک تدوین شد که با مشارکت دویست بیمار، به بررسی پتانسیل مدل‌های هوش مصنوعی در پیش‌بینی پاسخ درمانی و پیامد بقای بیماران پرداخت. نتایج مطالعه نشان داد ادغام ویژگی‌های بافتی و ساختاری حاصل از تصاویر MRI پیش‌درمانی، با داده‌های پاتولوژی و نشانگرهای ژنومی مانند وضعیت جهش‌های KRAS و BRAF، دقت زیادی حدود 85 درصد در پیش‌بینی بقای بدون بیماری و بقای کلی بیماران فراهم می‌کند. همچنین مدل‌های مبتنی بر یادگیری عمیق، پیش‌بینی پاسخ به درمان دقیق‌تری ارائه دادند. با این حال، اجرایی شدن این دستاوردها در حوزه بالین، نیازمند تدوین گزینه‌های سیاستی عملیاتی بود که با توجه به یافته‌های پژوهش و نظر متخصصان به‌این‌صورت «همسان‌سازی مدل‌های یادگیری عمیق رادیوژنومیک در سامانه‌های تصمیم‌یار بالینی بیمارستان‌های تخصصی، توسعه پروتکل ملی اعتبارسنجی و جمع‌آوری داده‌های چندمرکزی سرطان رکتوم، تدوین راهنماهای بالینی جدید برای غربالگری و پیش‌بینی پاسخ درمانی با استفاده از شاخص‌های زیستی ترکیبی (MRI و ژنومیک)»، پیشنهاد شد.