دکتر نگیسا سیدی دانش‌آموخته و فعال در حوزه پژوهش‌های سلامت و انفورماتیک پزشکی هستند. تمرکز پژوهشی و اجرایی ایشان بر روی تلفیق علوم کامپیوتر و انفورماتیک پزشکی (شامل مهندسی داده‌های سلامت، مدل‌سازی‌های پیشرفته‌ی محاسباتی و هوش مصنوعی) در حوزه‌های تخصصی بالینی از جمله پردازش و تحلیل پیشرفته تصاویر و سیگنال‌های پزشکی است.

با دکتر سیدی درباره  پژوهش حاضر اینگونه به گفتگو نشستیم: این پژوهش تحت عنوان طرح مصوب دانشگاه علوم پزشکی ایران (با کد طرح ۳۳۰۵۰-۱۱۴-۱-۱۴۰۴ و کد اخلاق IR.IUMS.REC.1404.393) انجام شد، تیمی از متخصصان مجرب شامل همکاران گرامی (دکتر پیمان شیخ‌زاده، دکتر نویسا سیدی، دکتر فاطمه سبکتکین و دکتر ابوالقاسم گرجی) با تخصص‌های فیزیک پزشکی، پزشکی هسته‌ای، انفورماتیک پزشکی و مدیریت بیمارستانی مشارکت داشتند که در ادامه دغدغه‌های تخصصی ما در زمینه توسعه ابزارهای هوشمند بالینی برای بهینه‌سازی فرآیندهای تشخیصی سرطان شکل گرفته است.

از آنجایی که تصویربرداری ترکیبی PET/CT با رادیوداروی FDG یکی از ابزارهای کلیدی در تشخیص اولیه، استیجینگ و پایش پاسخ به درمان در سرطان مری است. با این حال، اسکن PET به دلیل هزینه‌بر بودن، وابستگی به رادیوداروی سیکلوترونی، محدودیت دستگاه‌ها و دوز تابش، همواره در دسترس همه بیماران نیست؛ در حالی که اسکن CT بسیار رایج‌تر و ارزان‌تر است. این چالش بالینی ما را بر آن داشت تا بررسی کنیم آیا با کمک یادگیری عمیق می‌توان اطلاعات متابولیک و عملکردی PET را از روی تصاویر در دسترس CT بازسازی یا تولید کرد.

این پژوهش با همکاری نزدیک بخش پزشکی هسته‌ای مجتمع بیمارستانی امام خمینی (ره) و گروه انفورماتیک پزشکی و فیزیک پزشکی و پزشکی هسته ای انجام شد. تامین دادگان DICOM واقعی بیماران، اعتبارسنجی تصاویر توسط متخصصان پزشکی هسته‌ای (جهت ترسیم ماسک‌های تومور و بررسی بالینی) و حمایت‌های معاونت تحقیقات و فناوری دانشگاه، نقش اساسی در به سرانجام رسیدن این پروژه داشت.

ایشان درادامه اعلام کردند که این پژوهش با عنوان «توسعه مدل یادگیری عمیق برای تولید تصاویر PET مصنوعی از داده‌های CT در تشخیص سرطان مری» اجرا شده است. پس از پالایش داده‌های ۴۳ بیمار پس از حذف آرتیفکت‌های شدید، تقسیم‌بندی داده‌ها به‌صورت کاملاً بیمار-محور (۳۰ بیمار آموزش، ۶ بیمار اعتبارسنجی و ۷ بیمار آزمون) انجام شد تا از نشت داده (Data Leakage) جلوگیری شود. دو معماری پیشرفته یادگیری عمیق یعنی Pix2Pix GAN (مجهز به تابع زیان وزن‌دهی‌شده برای نقاط داغ یا Hotspot-weighted) و Conditional Denoising Diffusion Probabilistic Model (با شبکه U-Net چهارسحطی و بلوک‌های FiLM) پیاده‌سازی و مقایسه شدند.

نوآوری این کار در تمرکز بر یک پاتولوژی خاص و بالینی با چالش بالا (سرطان مری) به جای مدل‌های عمومی مغز یا قلب است. ارزیابی هم‌زمان کیفیت ظاهری و ساختاری تصویر (شاخص‌های PSNR و SSIM) با دقت حفظ بافت تومور و ضایعات متابولیک (شاخص هم‌پوشانی Dice) ، و همچنین مقایسه تحلیلی عملکرد مدل‌های مبتنی بر GAN در برابر مدل‌های انتشاری (Diffusion) در وظیفه ترجمه تصویر به تصویر (Image-to-Image Translation) در حوزه انکولوژی بالینی از دیگر نقاط قوت این طرح میباشند.

خوشبختانه دکتر سیدی از اجرایی شدن این طرح خبر دادند چرا که این طرح تحقیقاتی از نظر پژوهشی و فنی با موفقیت به اتمام رسیده، و خط لوله (Pipeline) کامل نرم‌افزاری پردازش تصویر، آموزش شبکه‌های یادگیری عمیق و ارزیابی کمی پیاده‌سازی و تست شده است.

با این حال، لازم به تاکید است که خروجی فعلی این طرح یک «مطالعه مقدماتی توسعه مدل» است. نتایج کمی ما نشان داد که مدل Pix2Pix از نظر وضوح ساختاری و شاخص‌های کلی (PSNR = 29.19 dB و SSIM = 0.95) قوی‌تر عمل کرد، در حالی که مدل Diffusion در انطباق فضایی و شاخص Dice تومور عملکرد نسبتاً بهتری داشت (Dice = 0.33 در برابر 0.10). اما در وضعیت کنونی، تصاویر PET مصنوعی تولیدشده نباید به عنوان جایگزین قطعی PET واقعی در تصمیم‌گیری‌های بالینی بالینیِ روزمره استفاده شوند و برای ورود به بالین به مراحل تکمیلی نیاز دارند.

انجام هر تحقیق و پژوهشی برای برطرف کردن و رفع مشکل و یا موانعی از موانع درمان می باشد. در اینپژوهش نیز سعی بر آن بود که مشکلی در این زمینه رفع شود. نتایج این پژوهش نیز در بلندمدت و با توسعه نسل‌های بعدی این فناوری‌ها، این دستاورد می‌تواند تحولی در کاهش هزینه‌ها و تسهیل دسترسی بیماران مبتلا به سرطان ایجاد کند ز جمله:

• کاهش هزینه‌های سرسام‌آور تشخیصی: کمک به دسترسی بیماران مناطق کمتربرخوردار یا مراکز فاقد دستگاه PET به اطلاعات متابولیک ضایعات از طریق اسکن‌های ارزان‌تر و در دسترس‌تر CT.
•  تسریع روند درمان: کاهش زمان انتظار بیماران برای نوبت‌دهی اسکن‌های تخصصی و استیجینگ سریع‌تر سرطان مری.
• ج) کمک به پزشکان معالج: ارائه یک ابزار کمکی برای بازبینی دقیق‌تر نواحی مشکوک روی تصاویر روتین CT بیمار و ارتقای دقت غربالگری اولیه پیش از ارجاع قطعی به تصویربرداری‌های هسته‌ای گران‌قیمت.

در پایان نیز دکتر سیدی خواستار این شدند که:

•  تامین زیرساخت‌های محاسباتی (GPU Cluster): مدل‌های یادگیری عمیق و به‌ویژه مدل‌های مولد (مانند   Diffusion ) نیازمند پردازنده‌های گرافیکی سنگین هستند؛ حمایت مالی و تجهیزاتی دانشگاه‌ها از کلودهای پردازشی پژوهشی بسیار راه‌گشاست.
• ایجاد بانک‌های داده استاندارد و متمرکز بالینی: دسترسی به دادگان ساختاریافته، باکیفیت و دارای برچسبِ  (Annotated) پزشکی در بیمارستان‌های آموزشی، کلید اصلی پیشرفت هوش مصنوعی در پزشکی است.
• حمایت از مطالعات آینده‌نگر و کلینیکال تریال فناوری‌های هوش مصنوعی: از متولیان پژوهش انتظار می‌رود از پروژه‌هایی که از فاز آزمایشگاهی عبور کرده و به سمت ارزیابی ریدر-محور ( Reader Study با رادیولوژیست‌ها) و اعتبارسنجی خارجی حرکت می‌کنند، حمایت‌های ویژه به عمل آورند.

همچنین برنامه ها و اهداف آینده خود را اینگونه بیان کردند

• اعتبارسنجی خارجی و آینده‌نگر (External & Prospective Validation): تست مدل روی دادگان مراکز بیمارستانی دیگر با اسکنرهای متفاوت جهت سنجش قابلیت پدیداری (Generalizability).
• ارزیابی بالینی توسط متخصص (Reader Study): طراحی مطالعات کور برای مقایسه قضاوت متخصصان پزشکی هسته‌ای روی PET واقعی در برابر PET مصنوعی.
• گسترش به سایر ارگان‌ها و پاتولوژی‌ها: توسعه این معماری‌ها برای سایر سرطان‌های گوارشی و ریوی که چالش مشابهی در دسترسی به تصویربرداری ترکیبی دارند.

امیدواریم با حمایت معاونت تحقیقات و فناوری دانشگاه، بتوانیم این استارتاپ و دستاوردهای پژوهشی را به محصولات نرم‌افزاری کاربردی در بالین بیمار تبدیل کنیم.