پژوهشگران دانشگاه تهران با بهرهگیری از هوش مصنوعی و یادگیری ماشین، گامی نو در تحلیل دادههای زیستی و تصاویر پاتولوژی برداشتهاند.
به گزارش روابطعمومی دانشگاه تهران، گروهی از پژوهشگران دانشکدگان فنی این دانشگاه به سرپرستی دکتر علی مسعودینژاد، استاد سیستم بیولوژی و بیوانفورماتیک، و با همکاری بهناز حاجیملاحسینی، احمدرضا ایرانپور و سودا ایمانی از دانشگاههای بینالمللی، موفق به انجام دو پژوهش نوآورانه در زمینه یادگیری عمیق و پزشکی شخصیسازیشده شدند.
دکتر مسعودینژاد اظهار کرد: «این مطالعات که در مجلات بینالمللی انتشارات الزویر با ضریب تأثیر ۱۳ و ۶.۳ منتشر شدهاند، بر بهکارگیری مدلهای هوش مصنوعی برای افزایش دقت تحلیل دادههای زیستی و پاتولوژیک تمرکز دارند.»
وی افزود: «در نخستین پژوهش، روشهای نرمالسازی تصاویر بافتی در چهار گروه اصلی شامل روشهای مبتنی بر یادگیری عمیق مانند GAN و autoencoder، روشهای سنتی مانند تطبیق هیستوگرام، مدلهای ترکیبی و یک روش جدید مبتنی بر پردازش سیگنال دستهبندی شد. نتایج این تحقیق، اهمیت حفظ اطلاعات زیستی در فرآیند نرمالسازی و نقش آن در بهبود دقت سیستمهای تشخیص کامپیوتری را نشان میدهد.»
این استاد دانشگاه تهران توضیح داد: «ما چارچوبی نوین برای مقایسهی نظاممند میان روشهای نرمالسازی طراحی کردیم تا امکان ارزیابی دقیق عملکرد آنها در شرایط گوناگون فراهم شود. این چارچوب به پژوهشگران پاتولوژی دیجیتال کمک میکند تا مناسبترین روش را برای نوع داده و هدف پژوهش خود انتخاب کنند.»
در دومین پژوهش، تمرکز تیم تحقیقاتی بر تحلیل دادههای چنداُمیک (Multi-Omics) و بهکارگیری مدلهای یادگیری عمیق برای پیشبینی بقا در بیماران مبتلا به سرطان آندومتریوئید رحم بود. در این مطالعه، دادههای بیان ژن، متیلاسیون DNA و پروتئوم از پروژهی TCGA-UCEC مورد بررسی قرار گرفت و یک خودرمزگذار (Autoencoder) با تابع هزینه اختصاصی طراحی شد تا روابط غیرخطی پیچیده میان ویژگیهای زیستی و میزان بقا را شناسایی کند.
نتایج نشان داد که این مدل، اطلاعات مرتبط با بقا را با دقتی بالاتر از روشهای معمول استخراج میکند و به شناسایی مسیرهای مولکولی مهمی همچون مسیر ویتامین D و گیرنده گالانین منجر میشود که با پیشآگهی بیماران مرتبط هستند.
دکتر مسعودینژاد در پایان تأکید کرد: «ادغام روشهای یادگیری عمیق با تحلیل دادههای زیستی و تصویری، میتواند به درک بهتر مکانیسمهای مولکولی بیماریها و توسعهی درمانهای شخصیسازیشده کمک کند.»
📚 منابع پژوهشها:
۱️⃣ Bridging traditional and deep learning methods in H&E histological image normalization: a comprehensive review and introducing a novel framework for comparative analyses. — Journal of Advanced Research (2025)
۲️⃣ Molecular landscape of endometrioid Cancer: Integrating multiomics and deep learning for personalized survival prediction. — Computers in Biology and Medicine (2025)