في خطوة تعتبر ثورية في مجال رعاية مرضى السرطان، اقترح باحثون تقنية جديدة تعتمد على التعلم العميق (Deep Learning) لتقسيم مناطق سرطان البريتوني (Peritoneal Cancer) من خلال التصوير الطبقي المحوري (CT Imaging). في الوقت الراهن، يتم تقييم الانبثاثات البريتونية باستخدام المنظار الجراحي لتحديد مؤشر سرطان البريتوني وفقًا لطريقة سكر باكر (Sugarbaker's Peritoneal Cancer Index - sPCI)، والتي تقوم بتقسيم منطقة البطن إلى 13 منطقة وتقييم كل منطقة بناءً على حجم الورم.

ومؤخراً، أجرى فريق من الباحثين دراسة تم التوصل فيها إلى إجماع يحدد مناطق ثلاثية الأبعاد لتسهيل تقييم مؤشر سرطان البريتوني الإشعاعي (Radiological PCI - rPCI)، مما يوفر مناطق تشريحية موحدة للتقييم القائم على التصوير. على الرغم من القيمة السريرية لهذه الطريقة التقليدية، إلا أن السPCI يعتبر إجراءً تدخليًا ويفتقر إلى نظير موحد في العمليات التصويرية.

في هذا الدراسة، اقترح الباحثون نهجًا يعتمد على التعلم العميق لتقسيم تلقائي لمناطق rPCI في صور التصوير الطبقي. تم تقييم كفاءة طريقتين هما nnU-Net وSwin UNETR على 62 صورة CT تم توصيف مناطق rPCI يدويًا بواسطة ثلاثة باحثين إكلينيكيين وتم التحقق منها من قبل اثنين من أخصائيي التصوير الطبي. تم قياس الأداء باستخدام تقنيات مثل معامل التشابه دايس (Dice Similarity Coefficient) ومسافة هاوسدورف المئوية الخامسة والتعرف على سطح متوسط.

قدمت تقنية nnU-Net نتائج مثيرة بإجمالي معامل دايس يصل إلى 0.82، مما يقترب من توافق المراقبين (0.88) وأفضل أداءً مقارنةً بـSwin UNETR الذي سجل 0.76، حيث كانت التحديات المتبقية تتركز بشكل أساسي في مناطق الجانب الأيمن والأمعاء الدقيقة. تمثل هذه النتائج خطوة هامة نحو إمكانية تجزئة rPCI بشكل تلقائي، مما يمهد الطريق لتقييم غير تدخلي يعتمد على التصوير، والذي قد يحدث طفرة في تحسين رعاية مرضى السرطان في المستقبل.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!