جست‌وجو در سایت

برای بستن، دکمه Esc یا ضربدر را فشار دهید.

27 آبان 1404

|

7

|

0 نظر

|

کدخبر: 10391

|

تحلیل داده‌های زیستی و تصاویر پاتولوژی با هوش مصنوعی در دانشگاه تهران

گروهی از پژوهشگران دانشگاه تهران به سرپرستی دکتر علی مسعودی‌نژاد با همکاری محققانی از ایران، هلند و مجارستان، موفق به انجام دو مطالعه پیشرفته در زمینه تحلیل تصاویر پاتولوژی و داده‌های چند-اُمیک با استفاده از هوش مصنوعی شدند. این مطالعات شامل بررسی جامع روش‌های نرمال‌سازی تصاویر بافت‌شناسی و طراحی یک خودرمزگذار نوین برای پیش‌بینی بقای بیماران مبتلا به سرطان آندومتر است که به بهبود دقت تشخیص و شناسایی مسیرهای مولکولی مؤثر کمک کرده است.

تحلیل داده‌های زیستی و تصاویر پاتولوژی با هوش مصنوعی در دانشگاه تهران

پژوهشگران دانشگاه تهران با بهره‌گیری از هوش مصنوعی، شیوه‌های نوینی برای تحلیل داده‌های زیستی و تصاویر پاتولوژی ارائه کردند.

گروهی از محققان دانشگاه تهران به سرپرستی علی مسعودی‌نژاد، استاد زیست‌سیستم‌ها و بیوانفورماتیک، به همراه بهنام حاجی‌ملاحسینی (دانشجوی دکتری)، احمدرضا ایران‌پور (دانشجوی دانشگاه اوترخت هلند)، سودا ایمانی (دانشجوی دانشگاه پازمانی مجارستان) و دیگر اعضای آزمایشگاه زیست‌سیستم‌ها و بیوانفورماتیک، موفق به انجام دو پژوهش نوآورانه شدند که هر دو در مرزهای میان‌رشته‌ای هوش مصنوعی، داده‌های زیستی و پزشکی شخصی قرار می‌گیرند.

در پژوهش نخست، هدف اصلی بررسی روش‌های مختلف نرمال‌سازی و استانداردسازی تصاویر پاتولوژی بود؛ موضوعی که در تشخیص‌های مبتنی بر کامپیوتر نقش مهمی دارد. محققان این روش‌ها را به چهار گروه اصلی تقسیم کردند:
۱. روش‌های مبتنی بر یادگیری عمیق مانند شبکه‌های مولد تخاصمی (GAN) و خودرمزگذارها؛
۲. روش‌های سنتی مثل تطبیق هیستوگرام؛
۳. مدل‌های ترکیبی که از ترکیب چند روش استفاده می‌کنند؛
۴. و یک روش تازه مبتنی بر پردازش سیگنال.

بر اساس توضیحات مسعودی‌نژاد، هر یک از این روش‌ها مزایا و محدودیت‌های ویژه خود را دارند. نتایج این پژوهش نشان داد که حفظ اطلاعات زیستی در فرآیند نرمال‌سازی، نقش کلیدی در افزایش دقت سامانه‌های تشخیص کامپیوتری دارد و نادیده گرفتن آن می‌تواند باعث خطا در تحلیل بافت‌های پاتولوژی شود.

پژوهش دوم به تحلیل داده‌های «چند-اُمیک» (multi-omics) و کاربرد مدل‌های یادگیری عمیق برای پیش‌بینی بقای بیماران مبتلا به سرطان آندومتر اختصاص داشت. در این مطالعه، داده‌های بیان ژن، متیلاسیون DNA و پروتئوم که از پروژه TCGA-UCEC استخراج شده بودند، مورد بررسی قرار گرفت. تیم تحقیقاتی یک خودرمزگذار جدید طراحی کرد که دارای تابع هزینه اختصاصی بود و به‌طور مؤثر روابط پیچیده و غیرخطی میان ویژگی‌های زیستی و احتمال بقای بیماران را استخراج می‌کرد.

نتایج نشان داد این مدل نسبت به روش‌های معمول، اطلاعات مرتبط با بقا را دقیق‌تر شناسایی می‌کند و همچنین توانست مسیرهای مولکولی مهمی را شناسایی کند؛ از جمله مسیر ویتامین D و گیرنده گالانین که هر دو با پیش‌آگهی بیماران ارتباط دارند.

در بخش دیگری از خبر، به فعالیت‌های مرکز ملی ذخایر ژنتیکی و زیستی ایران به مدیریت جعفر رزقی اشاره شده است. وی تأکید کرده ایران به دلیل تنوع اقلیمی و زیستی ویژه‌اش، دارای منابع ژنتیکی منحصربه‌فردی است و این مرکز طی ۱۵ سال گذشته توانسته چهار بیوبانک اصلی در حوزه گیاهان، سلول‌های انسانی و جانوری، میکروارگانیسم‌ها و داده‌های ژنومی ایجاد کند. به گفته او، شبکه‌ای ملی برای حفاظت از این ذخایر حیاتی تشکیل شده است.

نظر خود را وارد کنید

آدرس ایمیل شما در دسترس عموم قرار نمیگیرد.

پربحث ترین ها
پیشنهادی: