کاربرد فناوری NLP (پردازش زبان طبیعی) درتشخیص دقیق سرطان‌های مرتبط با HPV
الگوریتم هوش مصنوعی پردازش زبان طبیعی قادر به استخراج اطلاعات از گزارش‌های پاتولوژی به منظور شناسایی دقیق بیماران مبتلا به انواع سرطان‌های مرتبط با HPV است. بر اساس مطالعه منتشر شده در 03 نوامبر 2020 در ژورنال معتبر JMIR Medical Informatics، ابزارهای پردازش زبان طبیعی می‌توانند با آنالیز و تجزیه و تحلیل گزارش‌های آسیب‌شناسی (پاتولوژی)، افراد مبتلا به سرطان‌های مربوط به HPV را با دقت بالا شناسایی کرده و بدین‌ترتیب، موجب بهبودی و نظارت دقیق‌تر بر روند درمان و معالجه بیماری شوند.
تشخیص دقیق انواع سرطان‌های مرتبط با HPV باکمک فناوری NLP (پردازش زبان طبیعی)
عفونت ویروس پاپیلومای انسانی (HPV) می‌تواند منجر به ضایعات پیش‌سرطانی و همچنین سرطان تهاجمی گردد. پژوهشگران خاطر نشان كردند كه در آمریكا، سالانه 25000 (به صورت تقریبی) به سرطان آنوژنیت مبتلا می‌شود كه 75 درصد از این موارد، شامل سرطان‌های دهانه رحم و مقعد است. جالب است بدانید بیش از 90 درصد از این سرطان‌ها به دلیل ابتلا به انواع عفونت HPV گزارش شده است. خوشبختانه، این حجم از بیماری با واکسن HPV کاملا قابل‌پیشگیری است.
برپایه سخنان این تیم پژوهشی:” اگرچه واکسن‌های فوق کارایی اثبات‌شده‌ای دارند، اما روش استفاده آن‌ها در جلوگیری از سرطان‌های HPV نیازمند بهبود است. شناسایی و ردیابی دقیق موارد جدید ابتلا به انواع سرطان‌های HPV، گام مهمی در جهت توسعه استراتژی‌هایی است که استفاده از واکسن‌های نام برده‌شده را بهینه می‌سازد.”
نظارت بر سرطان‌های HPV، که خود یک چالش اساسی است، به اندازه انجام مشاهدات دقیق مهم و ضروری است و استفاده از فناوری NLP (پردازش زبان طبیعی) بر نتایج مرتبط با HPV به منظور بهبود نظارت و برنامه‌های ایمن‌سازی کمک بسیاری می‌کند. بیشتر داده‌های بالینی مورد نیاز برای تشخیص سرطان HPV (در گزارش‌های آسیب‌شناسی) در قالب یک متن ذخیره می‌شوند و شامل اطلاعات غیرتشخیصی ویژه مانند تاریخچه پزشکی بیمار است.
این گروه تحقیقاتی در سخنان خود بیان می‌کنند که: ” بررسی دستی این حجم از گزارش‌های آسیب شناسی با روش موردیابی دقیق، فرایندی است دشوار و خسته‌کننده است. اعمال این روش، در مورد پروژه‌های بزرگ نظارتی، عملا غیرممکن خواهد بود. برای تسهیل ضبط و تجزیه و تحلیل داده‌ها، تلاش‌های قابل‌توجهی برای ترویج فرایندهایی انجام شده که آسیب‌شناسان را ترغیب به ثبت یافته‌های خود در قالب خاصی و با استفاده از اصطلاحات استاندارد کرده است. با این‌حال، بیشتر تلاش‌ها برای تلفیق گزارش‌های استاندارد توسط ارائه‌دهندگان مراقبت‌های بهداشتی و نهادها به صورت کامل و مداوم انجام نشده است.”
این تیم، برای استخراج بهتر اطلاعات از گزارش‌های آسیب شناسی، تصمیم به توسعه فناوری NLP (پردازش زبان طبیعی) به منظور ایجاد یک پلتفرم دقیق و مقیاس‌پذیر برای شناسایی دقیق سرطان‌های قابل پیشگیری از طریق واکسن HPV شد. محققان تمامی گزارش‌های مربوط به پاتولوژی دهانه رحم و مقعد را از چهار آزمایشگاه آسیب‌شناسی بالینی انتخاب کردند. دو محقق به طور دستی و مستقل از هم، همه گزارش‌ها را بررسی کرده و آن‌ها را در سطح سند، به دو حوزه اساسی طبقه‌بندی کردند: تشخیص و نتایج آزمایش ویروس پاپیلومای انسانی.
در این پژوهش، بازبینی دستی را به عنوان استاندارد طلایی در نظر گرفتند، و سپس عملکرد الگوریتم استفاده شده در دقت فراخوانی و اندازه‌گیری را مورد ارزیابی دقیق قرار دادند. شایان ذکر است که این تیم عملکرد الگوریتم فناوری NLP (پردازش زبان طبیعی) خود را بر روی 949 گزارش پاتولوژی تایید کرده است. نتایج نشان داد که این الگوریتم، سیتولوژی و بافت‌شناسی غیرطبیعی و HPV مثبت را با دقت بیش از 91/0 درست شناسایی کرده است. برپایه این پژوهش، کمترین دقت، مرتبط با گزارش‌های بافت‌شناسی( با دقت 0.87) و بیشترین آن‌ها مربوط به دهانه‌رحم (با دقت 0.98) بود. الگوریتم پردازش زبان طبیعی از 15 گزارش غیرطبیعی در زمینه بافت‌شناسی مقعد، تنها دو گزارش را جا انداخت.
برپایه سخنان این تیم پژوهشی یافته‌ها بیانگر پتاسیل بالای ابزارهای پردازش زبان طبیعی برای سرعت بخشیدن به نحوه نظارت و درمان بیماری است. پژوهشگران می‌گویند که: “نمایش دقت فناوری NLP (پردازش زبان طبیعی)، اولین گام مهم و اساسی در جهت توسعه ابزاری است که می‌تواند اتوماسیون نظارت بر سرطان‌های قابل‌پیشگیری (از طریق زدن واکسن HPV) و همچنین شرایط پیش‌سرطانی را تسهیل نماید. شواهد زیادی در در دست است که نشان می‌دهد سیستم پردازش زبان طبیعی بر بازبینی دستی به منظور استخراج داده‌ها و طبقه‌بندی اسناد و مدارک ارجح است. هدف اصلی این مطالعه ادغام و استفاده از روش‌های NLP معتبر برای حل مشکل اساسی در صنعت بهداشت و درمان در دنیای واقعی است.”
الگوریتم فناوری NLP (پردازش زبان طبیعی) یک روش کارآمد برای استفاده از منابع موجود به منظور اندازه‌گیری میزان کاهش عفونت ناشی از واکسن‌های HPV را ارائه می‌دهد. این نتایج می‌تواند به رهبران مراقبت‌های بهداشتی در شناسایی مناطقی که برنامه‌های ایمن‌سازی در آن‌ها باید تقویت شوند، کمک نماید. در حالی‌که پیشرفت‌های بیشتر برای بهینه‌سازی عملکرد این الگوریتم پیش از استفاده در سطح بالینی یا نظارتی لازم و ضروری است، نتایج از توانایی‌های بالای NLP در تسریع روند مراقبت‌های بهداشتی پرده برمی‌دارد.
نتایج نشان می‌دهد که با استفاده از این الگوریتم، تشخیص دقیق بیماران مبتلا به ناهنجاری‌های مرتبط با HPV امکان‌پذیر شده است. این داد‌ها، پشتیبانی مقدماتی برای استفاده از ابزار NLP به منظور نظارت بر سرطان HPV و شرایط پیش‌سرطانی دهانه رحم و مقعد است. ابزارها و فناوری NLP (پردازش زبان طبیعی)، پیش‌تر توانایی خود را در بهبود نظارت بر بیماری‌ها نشان داده‌اند. در پژوهش انجام شده در سال 2019، محققان از مدل‌های NLP برای تشخیص بهتر قند خون پایین در بیماران دیابتی استفاده کردند که در مدیریت این بیماری مزمن، بهبود چشم‌گیری حاصل گردید.
برپایه سخنان مایکل وینر (Michael Weiner)، پزشک دارویی و دارای مدرک کارشناسی ارشد در بهداشت عمومی و مدیر مرکز خدمات بهداشتی ویلیام ام. تیرنی (William M. Tierney) و همچنین نویسنده ارشد مقاله نام‌برده در بالا، دانش این فاکتورها می‌تواند به پزشکان در شناسایی بیمارانی با خطر افت شدید قندخون، کمک کند. این فاکتورها و ابزارها این امکان را فراهم می‌آورد تا بتوان این بیماری را با کمترین میزان ریسک و خطر مدیریت نمود.
برخی از فاکتورهای موثر در افت قند خون ممکن است بلافاصله سبب این مسائل نبوده و مشکلات نهانی باشند. علاوه‌بر‌این، شناسایی عوامل جدید مهم می‌تواند در ارزیابی مجدد (با استفاده از فناوری NLP) خطر ابتلا به هیپوگلیسمی (hypoglycemia) به دلیل تغییر وضعیت سلامتی بیمار، بسیار تعیین‌کننده باشد.
