پیش بینی بقای بیمار سرطانی در استیج های مختلف بیماری با کمک هوش مصنوعی

اگر همیشه برایتان سوال بوده که «هوش مصنوعی دقیقا چطور می‌تواند در پزشکی به درد بخورد؟»، موضوع پیش‌بینی بقای بیمار سرطانی یکی از بهترین مثال‌هاست. اینجا فقط درباره یک مدل پیچیده حرف نمی‌زنیم؛ بلکه درباره یک نوع نگاه داده‌محور صحبت می‌کنیم که می‌تواند به پزشک کمک کند برای هر بیمار، در هر مرحله بیماری، تصمیم دقیق‌تر و انسانی‌تری بگیرد. وقتی در یک برج چندطبقه آتش‌سوزی اتفاق می‌افتد، مهم‌ترین سوال آتش‌نشان‌ها این است: «آتش الان دقیقا کجاست و چقدر پخش شده؟» اگر آتش فقط در یک اتاق کوچک است، یک نوع برنامه‌ریزی لازم است؛ اگر به چند طبقه رسیده، کم‌کم ماجرا بحرانی می‌شود؛ و اگر به ساختمان‌های مجاور سرایت کرده باشد، وضعیت کاملا متفاوت است. در سرطان هم پزشکان برای برنامه‌ریزی درمان باید بدانند آتش بیماری در بدن بیمار در چه مرحله‌ای است. در پزشکی به این مرحله‌بندی می‌گویند «استیج» (Stage). در ادامه، با آنالیز یک مقاله علمی که به تازگی منتشر شده است، پیش بینی بقای بیمار سرطانی در استیج های مختلف بیماری با کمک هوش مصنوعی را بررسی خواهیم کرد (شکل ۱).

برای مرحله‌بندی سرطان، چندین سیستم استاندارد در پزشکی وجود دارد که هرکدام برای هدف خاصی طراحی شده‌اند. در بالین، پزشکان معمولا از سیستم TNM استفاده می‌کنند؛ سیستمی دقیق که بر اساس اندازه تومور (T)، درگیری غدد لنفاوی (N) و وجود متاستاز دوردست (M) مرحله سرطان را مشخص می‌کند و در نهایت آن را به مراحل 1 تا 4 تبدیل می‌کند. اما برای تحلیل‌های اپیدمیولوژیک و پژوهش‌های داده‌محور، یک نسخه ساده‌تر هم وجود دارد که در پایگاه داده SEER به کار می‌رود و به آن SEER Summary Stage گفته می‌شود. در روش SEER، بیماران سرطانی در سه دسته کلی قرار می‌گیرند:

• مرحله موضعی (Localized): مثل وقتی که آتش فقط در یک اتاق ساختمان است. در بدن، یعنی تومور سرطانی فقط در همان اندام اولیه قرار دارد؛ مثلا فقط در بافت پستان یا پروستات و هنوز به جای دیگری دست‌اندازی نکرده است.
• مرحله منطقه‌ای (Regional): شبیه حالتی که آتش از آن اتاق بیرون زده و به راهرو و چند اتاق کناری رسیده است. در بدن، یعنی سرطان به غدد لنفاوی یا بافت‌های مجاور سرایت کرده است.
• مرحله دوردست (Distant): این‌جا دیگر آتش فقط در یک ساختمان نیست؛ به نقاط خیلی دورتر هم رسیده است. در پزشکی به این حالت «متاستاز» می‌گویند؛ یعنی سلول‌های سرطانی از طریق خون یا لنف به اندام‌های دوردست، مثلا استخوان یا ریه، مهاجرت کرده‌اند.

حالا از دید داده و هوش مصنوعی، سوال جذاب این است: اگر بدانیم سرطان دقیقا در کدام «استیج» است، چقدر می‌توانیم با کمک داده‌ها حدس بزنیم که بیمار تا پنج سال دیگر همچنان سرپا می‌ماند یا نه؟ این همان چیزی است که به آن «پیش‌بینی بقای بیمار سرطانی» می‌گویند؛ یعنی تخمین احتمال زنده ماندن بیمار در یک بازه زمانی مشخص (در بسیاری از مطالعات بازه ۵ ساله).

اما چرا این پیش‌بینی این‌قدر حیاتی است؟

در پزشکی مدرن، هدف فقط تشخیص «سرطان هست یا نیست» نیست. پزشک باید بداند سیر بیماری در آینده احتمالا چگونه خواهد بود و بر اساس آن، استراتژی درمان را برای هر بیمار به‌صورت اختصاصی تنظیم کند. اگر پیش‌بینی بقای بیمار سرطانی در یک استیج مشخص نشان بدهد که احتمال بقا بالاست، شاید بتوان با درمان‌های کم‌تهاجمی‌تر هم بیمار را نجات داد. در مثال ساختمان، یعنی اگر آتش فقط در یک اتاق کوچک است و احتمال نجات برج زیاد است، لازم نیست کل ساختمان را با آب غرق کنیم و همه‌چیز را تخریب کنیم. اما اگر مدل پیش‌بینی نشان دهد که در مرحله دوردست، احتمال بقا پایین‌تر است، پزشک از همان ابتدا می‌تواند سراغ درمان‌های قوی‌تر، ترکیبی‌تر و جدی‌تر برود؛ مثل وقتی که آتش‌نشان از همان لحظه اول می‌فهمد باید چند تیم کمکی و تجهیزات سنگین سر صحنه بیاورد. اینجا یک نکته کلیدی مطرح می‌شود:

آیا می‌شود برای تمام بیماران، در هر مرحله‌ای از سرطان، با یک فرمول کلی «پیش‌بینی بقای بیمار سرطانی» را انجام داد؟

در گذشته، بسیاری از مدل‌های آماری و حتی بعضی از مدل‌های اولیه یادگیری ماشین، همه بیماران یک نوع سرطان را در یک گروه واحد قرار می‌دادند و بدون توجه به استیج بیماری، یک مدل کلی برای پیش‌بینی بقای سرطان می‌ساختند. انگار که آتش‌نشان بدون توجه به اینکه آتش در یک اتاق کوچک است یا در چند طبقه، با یک سناریوی از پیش تعیین‌شده عمل کند. اما در مطالعات اخیر مانند این مقاله (و کارهای مرتبطی که به آن ارجاع می‌دهد) نشان می‌دهد این رویکرد یک اشکال بنیادی دارد:

نادیده گرفتن ناهمگونی بیماری بین مراحل مختلف.

شکل ۱

در استیج Localized، عواملی که روی نتیجه درمان و پیش‌بینی بقا اثر می‌گذارند، با مرحله Distant یکسان نیستند. مثلا در مراحل اولیه، ویژگی‌های خود تومور، اندازه آن، درجه بدخیمی سلول‌ها و نوع جراحی، نقش بسیار پررنگی دارند. اما در مراحل Distant، نوع و پاسخ به درمان‌های سیستمیک (مانند شیمی‌درمانی، هورمون‌تراپی و غیره) وزن بیشتری در «پیش‌بینی بقای بیمار سرطانی» پیدا می‌کند. پس ساختن یک مدل واحد برای همه استیج‌ها مثل این است که بخواهید با یک معادله، هم رفتار یک خودروی شهری را در ترافیک پیش‌بینی کنید، هم حرکت یک موشک فضایی را در مدار زمین؛ هر دو وسیله نقلیه‌اند، ولی قوانین حاکم بر رفتارشان یکسان نیست.

این‌جاست که ایده مهم مقاله مطرح می‌شود: اگر برای هر استیج، یعنی برای هر «وضعیت آتش‌سوزی» در بدن، یک مدل جداگانه بسازیم، پیش‌بینی بقای سرطان با هوش مصنوعی دقیق‌تر و کاربردی‌تر خواهد بود. به این رویکرد می‌گویند مدل‌های مرحله‌محور (Stage-specific Models). مقاله، با استفاده از داده‌های بزرگ SEER برای چند سرطان شایع (پستان، مثانه و پروستات)، نشان می‌دهد که این رویکرد مرحله‌محور نسبت به مدل‌های کلی، از نظر علمی و بالینی منطقی‌تر و از نظر عملکردی هم برتر است.

حالا سؤال مهم بعدی که می‌توانید از خودتان بپرسید این است: این مدل‌های مرحله‌محور دقیقا چه چیزهایی را باید یاد بگیرند؟ چه متغیرهایی می‌تواند برای یادگرفتن استفاده شوند؟

در هر استیج، ده‌ها متغیر مختلف در دیتاست وجود دارند: سن بیمار، جنسیت، نژاد، اندازه تومور، تعداد غدد لنفاوی درگیر، درجه بدخیمی سلول‌ها، نوع جراحی انجام‌شده، استفاده از رادیوتراپی و غیره. انسان به‌تنهایی نمی‌تواند همه این متغیرها را برای صدها هزار بیمار هم‌زمان تحلیل کند و الگوهای پنهان را در ذهن نگه دارد. این نقطه، همان جایی است که هوش مصنوعی از یک «ابزار مد روز» به یک «همکار علمی جدی» تبدیل می‌شود.

آنالیز مقاله پیش بینی بقای بیمار سرطانی در استیج های مختلف

تا اینجا دیدیم چرا پیش‌بینی بقای بیمار سرطانی اهمیت دارد و چگونه هوش مصنوعی می‌تواند در این مسیر کمک کند. حالا وقت آن است که دقیق‌تر ببینیم در مقاله “Predicting cancer survival at different stages” پژوهشگران دقیقا چه کاری انجام داده‌اند و چگونه یک مدل پیش‌بینی ساخته‌اند که هم دقیق باشد، هم عادلانه و هم قابل توضیح.

داده‌ها: شالوده هر مدل یادگیری ماشین

هر پروژه یادگیری ماشین با داده شروع می‌شود. کیفیت و اندازه داده‌ها نقش تعیین‌کننده‌ای در کیفیت مدل نهایی دارند. در این پژوهش، محققان از پایگاه داده معروف SEER استفاده کرده‌اند؛ یکی از بزرگ‌ترین و معتبرترین منابع داده سرطان در جهان. این پایگاه داده اطلاعات بیماران سرطانی در ایالات متحده را جمع‌آوری می‌کند و سال‌هاست که برای تحقیقات اپیدمیولوژی و یادگیری ماشین در پزشکی استفاده می‌شود. چند ویژگی مهم داده‌های مورد استفاده در این پژوهش:

• مقیاس داده‌ها: پژوهشگران داده‌های بیش از ۲۰۶ هزار بیمار را بررسی کردند که بین سال‌های ۲۰۰۴ تا ۲۰۱۳ به یکی از سه سرطان شایع مبتلا بوده‌اند: سرطان مثانه، سرطان سینه و سرطان پروستات. این حجم بزرگ از داده‌ها به مدل کمک می‌کند الگوهایی را یاد بگیرد که از نظر آماری قابل اعتماد باشند.
• نوع متغیرها:‌ برای هر بیمار مجموعه‌ای از ویژگی‌ها ثبت شده است. این ویژگی‌ها شامل اطلاعات دموگرافیک مانند سن و نژاد، و همچنین اطلاعات بالینی دقیق مانند اندازه تومور، درجه بدخیمی و مرحله پیشرفت بیماری هستند.
• هدف پیش‌بینی: مدل باید یک خروجی ساده اما مهم را پیش‌بینی کند: آیا بیمار پنج سال پس از تشخیص زنده خواهد ماند یا خیر؟ به این نوع خروجی در یادگیری ماشین «مسئله طبقه‌بندی دوتایی» (Binary Classification) گفته می‌شود. انتخاب این نوع خروجی باعث می‌شود بتوان مدل را راحت‌تر ارزیابی کرد و همچنین روش‌های عدالت و تفسیرپذیری را روی آن اعمال کرد.

نوآوری اول پژوهش: توجه به عدالت در مدل‌های هوش مصنوعی

یکی از چالش‌های جدی در کاربرد هوش مصنوعی در پزشکی، مسئله سوگیری (Bias) در داده‌هاست. داده‌های تاریخی همیشه بازتاب کامل واقعیت بیولوژیک نیستند؛ گاهی تفاوت نتایج درمانی بین گروه‌های مختلف به دلیل عوامل اجتماعی یا دسترسی نابرابر به خدمات درمانی ایجاد شده است. اگر یک مدل یادگیری ماشین بدون توجه به این موضوع آموزش ببیند، ممکن است این نابرابری‌ها را به عنوان یک الگوی واقعی یاد بگیرد و در نتیجه پیش‌بینی‌های ناعادلانه انجام دهد. برای مثال تصور کنید در داده‌های گذشته، یک گروه جمعیتی خاص به طور متوسط نتایج درمانی ضعیف‌تری داشته‌اند. یک مدل ساده ممکن است به اشتباه یاد بگیرد که صرفا تعلق به آن گروه، نشانه احتمال بقای کمتر است. چنین نتیجه‌ای از نظر علمی و اخلاقی مشکل‌ساز خواهد بود. برای جلوگیری از چنین مشکلی، پژوهشگران از روش‌های «هوش مصنوعی عادلانه» (Fair AI) استفاده کردند.

• تعریف متغیرهای حساس:‌ ویژگی‌هایی مانند نژاد، جنسیت و وضعیت تاهل به عنوان متغیرهای حساس در نظر گرفته شدند؛ یعنی عواملی که مدل نباید بر اساس آن‌ها تبعیض ایجاد کند.
• استفاده از معیار عدالت:‌ در این پژوهش از معیاری به نام Equalized Odds استفاده شد. ایده اصلی این معیار ساده است: «میزان خطای مدل باید بین گروه‌های مختلف جمعیتی تقریبا برابر باشد». به بیان دیگر، اگر مدل در پیش‌بینی برای یک گروه خاص بیشتر اشتباه کند، یعنی مدل از نظر عدالت مشکل دارد.
• کاهش سوگیری مدل:‌ برای بهبود عدالت مدل‌ها، پژوهشگران از الگوریتمی به نام Exponentiated Gradient Reduction استفاده کردند. این روش کمک می‌کند مدل طوری تنظیم شود که اختلاف خطا بین گروه‌های مختلف کمتر شود.
• نتیجه جالب بود: مدل‌ها عادلانه‌تر شدند، اما این کار یک هزینه کوچک هم داشت. دقت کلی مدل کمی کاهش پیدا کرد. این موضوع در بسیاری از پروژه‌های هوش مصنوعی دیده می‌شود و به آن یک «بده‌بستان» (Trade‑off) می‌گویند؛ یعنی گاهی برای رسیدن به عدالت بیشتر، باید کمی از حداکثر دقت فاصله گرفت. در این پژوهش مشخص شد که برخی الگوریتم‌ها مانند Random Forest در این شرایط افت دقت کمتری تجربه کردند.

نوآوری دوم پژوهش: باز کردن جعبه سیاه مدل

بسیاری از مدل‌های قدرتمند یادگیری ماشین دقیق هستند اما توضیح نمی‌دهند چرا به یک پیش‌بینی خاص رسیده‌اند. به همین دلیل گاهی از آن‌ها با عنوان «جعبه سیاه» (Black Box) یاد می‌شود. در پزشکی، چنین وضعیتی مشکل‌ساز است. پزشک نمی‌تواند صرفا به یک عدد یا احتمال اعتماد کند؛ او باید بداند چه عواملی باعث شده‌اند مدل به چنین نتیجه‌ای برسد. برای حل این مسئله، پژوهشگران از روش‌های «هوش مصنوعی قابل توضیح» (Explainable AI یا XAI) استفاده کردند.

• تفسیرپذیری در سطح کلی با SHAP:‌ روش SHAP کمک می‌کند بفهمیم در کل مدل، کدام ویژگی‌ها بیشترین تاثیر را در پیش‌بینی دارند. برای مثال ممکن است تحلیل نشان دهد که در یک مرحله خاص از سرطان، تعداد غدد لنفاوی درگیر مهم‌ترین عامل پیش‌بینی بقاست، در حالی که در مرحله‌ای دیگر، درجه تومور اهمیت بیشتری دارد.
• تفسیرپذیری برای هر بیمار با LIME:‌ در حالی که SHAP تصویر کلی از مدل می‌دهد، روش LIME توضیح می‌دهد چرا مدل برای یک بیمار مشخص به یک پیش‌بینی خاص رسیده است. برای مثال سیستم می‌تواند نشان دهد که برای یک بیمار خاص، اندازه بزرگ تومور و درجه بدخیمی بالا مهم‌ترین عواملی بوده‌اند که باعث شده‌اند مدل احتمال بقای کمتری پیش‌بینی کند.

چنین توضیحاتی به پزشک کمک می‌کند پیش‌بینی مدل را بهتر درک کند و آن را در کنار دانش بالینی خود ارزیابی کند. در مجموع، این پژوهش فقط یک مدل برای پیش‌بینی بقای سرطان با هوش مصنوعی ارائه نمی‌دهد. نکته مهم‌تر این است که یک چارچوب مسئولانه برای استفاده از هوش مصنوعی در پزشکی پیشنهاد می‌کند؛ چارچوبی که سه ویژگی مهم را همزمان در نظر می‌گیرد: دقت در پیش‌بینی، عدالت در تصمیم‌گیری و شفافیت در توضیح نتایج.

جمع‌بندی

در آخر علاوه بر اینکه مطالعه‌ی عمیق مقاله‌ی “Predicting cancer survival at different stages” را به شما توصیه می‌کنم، جا دارد به این نکته اشاره کنم که هوش مصنوعی در خلاء عمل نمی‌کند. موفقیت این پژوهش در تفکیک مدل‌ها بر اساس “استیج” بیماری نهفته بود. این نشان می‌دهد که برای انجام چنین پروژه‌هایی، لازم است پیش از کدنویسی، بیولوژی و منطق بالینی مسئله را درک کنید. در پیش‌بینی بقای بیمار سرطانی، متغیرها در مراحل مختلف (Localized vs Distant) وزن و معنای متفاوتی دارند. این رویکرد اختصاصی (Stage-specific)، دقت مدل را از یک تخمین آماری ساده به یک ابزار دقیق بالینی ارتقا داد. بنابراین، به منظور موفقیت در انجام پروژه‌های خود، لازم است هم نسبت به مفاهیم یادگیری ماشین و یادگیری عمیق تسلط کافی را کسب کنید و هم پیرامون فیلدی که قصد انجام پژوهش در آن دارید، اطلاعات تخصصی قابل قبولی را به دست آورید. برای ورود به چنین پروژه‌هایی، این آموزش نیاز شما را کامل برطرف می‌کند.