به گزارش مدیکال اکسپرس، در مراحل اولیه بیماری کلیوی، یک نوع تخصصی از سلول‌های کلیه به نام پودوسیت، هم در ساختار و هم در عملکرد خود دچار تغییرات مخربی می‌شود. این تغییرات شاخص‌های کلیدی آسیب نهایی هستند که مرحله نهایی بیماری کلیوی می‌تواند ایجاد کند، اما تشخیص این سلول‌های تخصصی دشوار است.
به گزارش اقتصادآنلاین به نقل از باشگاه خبرنگاران؛ اکنون، محققان دانشگاه بوفالو از قدرت آسیب‌شناسی دیجیتال و مدل‌سازی محاسباتی استفاده کرده‌اند تا رویکردی جدید برای تشخیص و تعیین کمیت سلول‌های بدن ایجاد کنند.
ابزار مبتنی بر ابر، به نام PodoSighter، در مقاله‌ای در مجله انجمن نفرولوژی آمریکا توضیح داده شده است.
این پروژه نمونه‌ای از این است که چگونه قابلیت‌های محاسباتی پیشرفته به دانشمندان اجازه می‌دهد تا اطلاعات جدیدی را از تصاویر پیچیده ساختار‌های تشریحی به دست آورند.
پیناکی ساردر، نویسنده ارشد مقاله و دانشیار پاتولوژی و علوم تشریحی در دانشکده پزشکی جاکوبز، می‌گوید: در حوزه پزشکی، درک سیستم‌های انسانی به تجزیه و تحلیل مقادیر بسیار زیادی از انواع بسیار متفاوت داده و علوم زیست پزشکی بستگی دارد . سوال این است که چگونه همه این داده‌ها را برای درک سیستم‌ها و بیماری‌های اساسی انسانی ترکیب کنیم؟
ساردر و همکارانش که در حوزه نوظهور نفروپاتولوژی محاسباتی کار می‌کنند، بر ایجاد درک بهتری از اطلاعات موجود در تصاویر نمونه‌های بیوپسی کلیه متمرکز شده‌اند.
دارشانا گوویند، نویسنده اول این مقاله گفت: برای دهه‌ها مشخص شده بود که کمیت و تراکم سلول‌های پودوسیت هم برای تشخیص و هم برای پیش‌آگهی مرحله نهایی بیماری کلیوی مهم است. او اکنون یک دانشمند داده در شرکت داروسازی Janssen است.
در مراحل اولیه بیماری کلیوی، پودوسیت‌ها شروع به تغییر شکل می‌کنند و با پیشرفت بیماری، تعداد آن‌ها کاهش می‌یابد. ساردر توضیح داد: پودوسیت‌های یک فرد سالم بیشتر از یک فرد بیمار است. اگر روزی بتوانیم از دست دادن سلول‌های بدن را ردیابی کنیم، می‌توانیم مرحله بیماری را تعیین کنیم. در حال حاضر، این امکان پذیر نیست، اما یکی از اهداف تحقیقات UB است.
یکی از بزرگترین چالش‌ها در برخورد با تصاویر بافت بیوپسی شده این است که آن‌ها حاوی مقادیر زیادی داده هستند. چالش دیگر پودوسیت‌ها این است که آن‌ها در اعماق گلومرول‌ها یافت می‌شوند، دسته‌های کیسه مانند مویرگ‌ها که تصفیه خط اول خون را در کلیه‌ها انجام می‌دهند.
گوویند با اشاره به وجود سلول‌های زیادی در گلومرول توضیح داد: تعیین پودوسیت‌ها در یک تصویر بسیار چالش برانگیز است که تشخیص اینکه کدام هسته‌ها متعلق به پودوسیت‌ها هستند، حتی برای پاتولوژیست‌های آموزش‌دیده نیز دشوار است. انواع مختلفی از رنگ‌آمیزی را می‌توان برای برجسته کردن سلول‌های پودوسیت استفاده کرد، اما گاهی اوقات رنگ‌آمیزی باعث از بین رفتن اطلاعات مهم تصویر می‌شود.
راه حلی که آن‌ها توسعه دادند استفاده از تکنیک یادگیری ماشینی به نام شبکه‌های عصبی کانولوشن است، یک الگوریتم یادگیری که می‌تواند اشیاء خاص را در یک تصویر متمایز کند. تا حدی بر اساس روش‌هایی که قشر بینایی در مغز انسان اطلاعات بصری را پردازش می‌کند، توسعه یافته است.
این تکنیک اساسا شامل «آموزش» رایانه برای تشخیص سلول‌های بدن است. گوویند گفت: این بافت در کلینیک تهیه می‌شود و روش مبتنی بر هوش مصنوعی آن را برای شما تشخیص می‌دهد. شما روی دکمه‌ای کلیک می‌کنید و سلول‌های پادوسیت شناسایی می‌شوند.
اطلاعات تراکم نیز ارائه شده است. ساردر گفت: PodoSighter نه تنها پودوسیت‌ها را شناسایی می‌کند، بلکه گزارشی درباره تعداد سلول‌های موجود در هر گلومرول و چگالی آن ارائه می‌کند که یک شاخص کلیدی برای پیشرفت بیماری است. او توضیح داد با پیشرفت بیماری کلیوی، اندازه گلومرول رشد می‌کند در حالی که تعداد سلول‌های پادوسیت کاهش می‌یابد.
در حال حاضر PodoSighter که در درجه اول یک ابزار تحقیقاتی است، می‌تواند بر روی نمونه‌هایی از حیوانات و انسان‌ها کار کند. هدف این است که در نهایت این مورد را به استفاده معمول در کلینیک‌ها برای استفاده انسانی تبدیل کنیم، که محققان می‌گویند ممکن است تنها در چند سال آینده امکان پذیر شود.
محققان برخی از کار‌های خود را در مرکز تحقیقات محاسباتی در UB انجام دادند.
ساردر افزود پتانسیل فوق العاده‌ای برای این نوع تحقیقات که از هوش مصنوعی در پزشکی استفاده می‌کند وجود دارد.
او گفت: یکی از اهداف من در UB نه تنها تحقیق، بلکه توسعه نیروی کار است و این بسیار مهم است. دکتر گوویند کار‌های بسیار عالی و بسیار سختی را برای دکترای خود انجام داده و در یک مجله برتر منتشر شده است. او تاکید کرد اگرچه در حال بهبود است، هنوز زنان زیادی در زمینه هوش مصنوعی کار نمی‌کنند.
گوویند گفت: چالش برانگیز است، زیرا شما تعداد زیادی از زنان را در این زمینه نمی‌بینید. من دوست دارم زنان بیشتری را به STEM و علم داده بپیوندند. حضور در آن زمینه بسیار خوبی است. بودن در این زمینه سخت است؛ بنابراین زنان بیشتری را تشویق می‌کنم که به تیم‌های هوش مصنوعی بپیوندند. تحقیقات بسیار پیشرفته‌ای وجود دارد و شما به معنای واقعی کلمه زندگی را با استفاده از هوش مصنوعی در مراقبت‌های بهداشتی تغییر می‌دهید.
