الگوییابی ویژگی‌ها مرتبط با انتخاب طبقه‌بندی JNET نوع ۱ در ضایعات سرّی‌شده کولورکتال: تحلیل درخت تصمیم پس‌نگر در ارزیابی تصویری

خلاصه سریع برای خواننده

• مطالعه‌ای پس‌نگر و مبتنی بر خواننده بررسی شد که الگوهای ویژگی‌های تصویری همراه با انتخاب طبقه‌بندی JNET نوع ۱ را در ضایعات سرّی‌شده کولورکتال بررسی کرده است.
• ۱۳ ضایعه سرّی‌شده (۱۱ sessile serrated lesions و ۲ hyperplastic polyps) و پاسخ‌های ۲۷ اندوسکوپیست خبره و ۴۹ غیرخبره تحلیل شدند.
• تحلیل درخت تصمیم نشان داد ریشهِ تقسیم در مدلِ خبره‌ها بیشتر با وجود «یافته‌های ضدمساعد برای Type ۱» مرتبط بود، در حالی که در غیرخبره‌ها «وجود نقاط منظم و تاریک یا سفید» نقش محوری داشت.
• الگوهای خبره‌ها نسبتاً پایدار بودند؛ اما الگوهای غیرخبره‌ها با نحوه برخورد با پاسخ‌های غیرقابل‌ارزیابی (unassessable) تغییر کرد.
• این نتایج اکتشافی‌اند و به منزلهٔ الگوریتم تشخیصی معتبر یا توالی تصمیم‌گیری شناختی نیستند و محدودیت‌های نمونه و طراحی را دارند.

مقدمه

طبقه‌بندی اپتیکی ضایعات کولورکتال در طول کولونوسکوپی، به‌ویژه با استفاده از تکنیک‌های بزرگنمایی و NBI (Narrow Band Imaging)، به پزشکان کمک می‌کند تا سریع‌تر دربارهٔ طبیعت بافتی پولیپ‌ها و ضایعات تصمیم‌های تشخیصی موقتی اتخاذ کنند. یکی از چارچوب‌های مورد استفاده در حوزهٔ اندوسکوپی، Japan NBI Expert Team (JNET) است که انواعی از یافته‌های نوری را به طبقه‌های عددی تقسیم می‌کند؛ از جمله Type 1 که معمولاً با ویژگی‌های خوش‌خیم-تر مرتبط در نظر گرفته می‌شود. با این حال، ضایعاتی که الگوی «سرّی‌شده (serrated)» دارند، مانند sessile serrated lesions (SSL) و hyperplastic polyps (HP)، ممکن است از نظر تصویری متنوع باشند و تفسیرگرها (readers) در شناسایی خصوصیات مرتبط با JNET Type ۱ دچار ناهماهنگی شوند.

هدفِ مطالعه‌ای که در این مقاله توضیح داده می‌شود، بررسی الگوهای ویژگی‌های گزارش‌شده که با انتخاب JNET Type ۱ همراه بوده‌اند و مقایسهٔ این الگوها بین اندوسکوپیست‌های خبره و غیرخبره است. تحلیل از نوع پس‌نگر بر روی داده‌های دو مطالعهٔ وب‌محور تفسیر تصویر انجام شد و از تحلیل درخت تصمیم (classification and regression tree) برای تصویرسازی روابط بین پاسخ نهایی (Type ۱ یا غیر-Type ۱) و ویژگی‌های ازپیش‌تعریف‌شده استفاده شد.

روش‌ها – خلاصه‌ای از طراحی مطالعه

داده‌ها از دو مطالعهٔ وب‌بنیاد تفسیر تصویر که از یک دیتاست تصویری ضایعات کولورکتال استفاده می‌کردند، استخراج شدند. مشخصات کلیدی روش عبارت‌اند از:

• ضایعات: ۱۳ ضایعه سرّی‌شده که همه هیستولوژیکاً تأیید شده بودند (۱۱ SSL و ۲ HP).
• شرکت‌کنندگان: پاسخ‌های تصویری از ۲۷ اندوسکوپیست خبره و ۴۹ اندوسکوپیست غیرخبره ژاپنی جمع‌آوری شد.
• متغیر خروجی: پاسخ ساده‌شدهٔ JNET به صورت دودویی Type ۱ در مقابل غیر-Type ۱.
• ویژگی‌ها: شامل یافته‌های حمایت‌کننده از Type ۱ و یک متغیر ترکیبی anti-Type 1 که نمایانگر نشانه‌هایی است که برخلاف انتخاب Type ۱ عمل می‌کنند.
• روش تحلیل: استفاده از درخت تصمیم (CART) برای نمایش شاخص‌ها و ارتباطات و محاسبهٔ آنتروپی به‌منظور مقایسهٔ تغییرپذیری بین خبره‌ها و غیرخبره‌ها. علاوه بر آن، تحلیل leave-one-reader-out برای بررسی پایداری ریشه‌های تقسیم انجام شد.

یافته‌ها (خلاصه و با احتیاط)

نتایج کلیدی مطالعه به این صورت گزارش شده‌اند:

• در مدلِ خبره‌ها، ریشهٔ اصلی تقسیم در درخت تصمیم مربوط به وجودِ یافته‌های anti-Type ۱ بود؛ به عبارت دیگر، خروجیِ انتخاب Type ۱ عمدتاً تحت‌تأثیر عدم وجود این یافته‌های ضد-Type ۱ بود.
• در مدلِ غیرخبره‌ها، ریشهٔ تقسیم ابتدا روی متغیر «وجود نقاط منظم و تاریک یا سفید» قرار گرفت—یعنی غیرخبره‌ها بیشتر بر ظهور این نقاط تمرکز کردند.
• پایداری: این ریشه‌ها در تحلیل leave-one-reader-out تا حدی پایدار ماندند؛ ولی در غیرخبره‌ها وقتی پاسخ‌های unassessable (غیرقابل‌ارزیابی) حذف شد، ریشهٔ تقسیم به سمت متغیر anti-Type 1 تغییر کرد؛ نشان‌دهندهٔ تأثیر نحوهٔ برخورد با پاسخ‌های نامشخص بر الگوهای غیرخبره‌ها.
• متریک آنتروپی، نشان‌دهندهٔ میزان پراکندگی/ناهماهنگی پاسخ‌ها، در خبره‌ها کمتر بود (میانهٔ آنتروپی = 0.229) نسبت به غیرخبره‌ها (میانهٔ آنتروپی = 0.954)، که حاکی از توافق نسبی بیشتر میان خبره‌ها در انتخاب ویژگی‌های مرتبط با Type ۱ است.

تفسیر نتایج

این تحلیل نشان می‌دهد که بین اندوسکوپیست‌های خبره و غیرخبره در انتخاب و تفسیر ویژگی‌های تصویری مرتبط با طبقه‌بندی JNET نوع ۱ تفاوت‌هایی وجود دارد. به‌طور خلاصه:

• اندوسکوپیست‌های خبره به نظر می‌رسد بر عدم وجود یافته‌های ضد-Type ۱ تأکید داشته باشند؛ یعنی نبود نشانه‌هایی که نشان دهد ضایعه خارج از چارچوب Type ۱ است، آن‌ها را به انتخاب Type ۱ سوق می‌دهد.
• اندوسکوپیست‌های غیرخبره بیشتر بر وجود نقاط منظم (dark/white spots) تمرکز کردند؛ این موضوع می‌تواند نشان‌دهندهٔ تکیه بر معیارهای تصویری مشخص یا سوگیری‌های آموزشی باشد.
• نحوهٔ مدیریت پاسخ‌های غیرقابل‌ارزیابی در تحلیل می‌تواند الگوهای نهفته در داده‌ها را دستکاری کند؛ یعنی در داده‌های واقعی، پاسخ‌های نامشخص اهمیت کلیدی در تفسیر بین‌ناظران دارند.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نمونهٔ کوچک ضایعات: تنها ۱۳ ضایعه سرّی‌شده بررسی شده است (۱۱ SSL و ۲ HP). این اندازهٔ نمونه کوچک قدرت تعمیم نتایج را محدود می‌کند.
• مطالعهٔ پس‌نگر و خواننده‌محور: تحلیل بر اساس داده‌های استخراج‌شده از دو مطالعهٔ وبی بود؛ بنابراین یافته‌ها جنبهٔ اکتشافی دارند و نه اثبات علیّت یا توالی تصمیم‌گیری شناختی پزشک.
• نمایهٔ شرکت‌کنندگان: همهٔ شرکت‌کنندگان اندوسکوپیست‌های ژاپنی بودند؛ نتایج ممکن است در جمعیت‌های جغرافیایی یا آموزشی دیگر متفاوت باشد.
• تبدیل دودویی پاسخ‌ها: ساده‌سازی پاسخ‌ها به Type ۱ در مقابل غیر-Type ۱، ترازوی اطلاعاتی را کاهش می‌دهد؛ درجه‌بندی‌های دیگر JNET یا زیرساختارهای تصویری ممکن است از دست بروند.
• عدم تبیین روال‌های تصمیم‌گیری شناختی: درخت تصمیم فقط روابط آماری بین متغیرها را نشان می‌دهد و لزوماً بازنمایی توالی تصمیم‌گیری ذهنی یک اندوسکوپیست نیست.
• نتایج اکتشافی، نه الگوریتم تشخیصی: این تحلیل الگوریتم تشخیصی یا فلوچارتی قابل اتکا برای افتراق SSL از HP یا تصمیم بالینی ارائه نمی‌دهد و باید با مطالعات بزرگ‌تر و طراحی پیش‌رونده اعتبارسنجی شود.

کاربرد بالینی و پیامدها

با وجود محدودیت‌ها، این نتایج چند پیام عملی و آموزشی دارند:

• برنامه‌های آموزشی برای اندوسکوپیست‌ها باید به استانداردسازی تفسیر ویژگی‌های تصویری ضایعات سرّی‌شده بپردازند تا توافق بین‌ناظران افزایش یابد.
• در مراکزی که تعداد اندوسکوپیست‌های غیرخبره بالاست، توجه ویژه به نحوهٔ برخورد با تصاویر غیرقابل‌ارزیابی ضروری است؛ سیاست‌هایی مانند درخواست نظر دوم یا نمونه‌برداری می‌تواند کاربردی باشد.
• آشنایی با مجموعهٔ متنوعی از ویژگی‌ها (نه تنها نقاط منظم) ممکن است به تشخیص بهتر کمک کند و از خطاهای مرتبط با تکیهٔ صرف بر یک یا دو یافته تصویری بکاهد.

نظر تحریریه پزشک سایت

با توجه به داده‌های این تحلیل پس‌نگر، به‌نظر می‌رسد که در طبقه‌بندی اپتیکی ضایعات سرّی‌شده، تجربهٔ اندوسکوپیست نقش مهمی در الگوهای تفسیر دارد و تفاوت در رویکردهای ارزیابی می‌تواند منجر به نتایج متفاوت در انتخاب JNET نوع ۱ شود. این موضوع اهمیت آموزش متمرکز و معیارهای ارزیابی شفاف را نشان می‌دهد. با این حال، باید تأکید کنیم که این نتایج اکتشافی‌اند و نمی‌توان آن‌ها را مبنای تصمیم بالینی یا تغییر پروتکل‌های درمانی قرار داد؛ مطالعات بزرگ‌تر و طراحی‌شدهٔ پیش‌رونده برای اعتبارسنجی لازم است.

محدودهٔ کاربرد در مراقبت از بیمار: این یافته برای بیمار چه معنایی دارد؟

برای بیمارانی که تحت کولونوسکوپی قرار می‌گیرند، این مطالعه به چند نکته مهم اشاره دارد:

• تفسیرهای اپتیکی لحظه‌ای مانند JNET می‌توانند درگاه اولیه‌ای برای تصمیم‌گیری حین کولونوسکوپی فراهم کنند، اما تفسیرها تحت‌تأثیر تجربهٔ اندوسکوپیست قرار دارند و ممکن است متفاوت باشند.
• برای ضایعات سرّی‌شده، تعیین دقیق طبیعت ضایعه (مثلاً افتراق بین SSL و HP) اغلب نیاز به بررسی هیستولوژیک دارد؛ پس گزارش اپتیکی تنها گاهی کفایت نمی‌کند.
• اگر در گزارش تصویری یا توضیح پزشک گفته شد یک ضایعه «احتمالاً Type ۱» است، این به معنای تصمیم‌درمانی نهایی یا رد نیاز به نمونه‌برداری نیست؛ معمولاً تصمیم براساس ترکیب تصویر، تخصص پزشک و نتیجهٔ پاتولوژی گرفته می‌شود.

چه زمانی باید با پزشک مشورت کرد؟

در موارد زیر لازم است حتماً با پزشک یا اندوسکوپیست معالج تماس بگیرید یا مشورت کنید:

• اگر پس از کولونوسکوپی گزارش شد که نوع ضایعه نامشخص است یا توصیهٔ پیگیری دقیق نشده است.
• وجود سابقهٔ خانوادگی قوی سرطان روده بزرگ یا چندگانه بودن پولیپ‌ها در سابقهٔ قبلی؛ در این موارد برنامهٔ پیگیری و مدیریت باید توسط پزشک تنظیم شود.
• اگر علائم بالینی جدید مانند خونریزی مقعدی، تغییر مزمن در عادات روده‌ای یا درد شکمی پایدار دارید.
• در صورتی که توصیه شده نمونه‌برداری یا حذف پولیپ انجام شود و شما سوالاتی درباره مزایا، خطرات یا نتایج پاتولوژی دارید.

پرسش‌های رایج

۱) آیا انتخاب JNET نوع ۱ به معنی خوش‌خیم بودن قطعی ضایعه است؟

خیر. انتخاب JNET نوع ۱ بر اساس ویژگی‌های اپتیکی می‌تواند نشان‌دهندهٔ ویژگی‌های خوش‌خیم‌تر باشد، اما قطعی‌سازی نیاز به بررسی هیستولوژیک و ترکیب‌کردن سایر یافته‌های بالینی دارد.

۲) آیا آموزش می‌تواند اختلاف بین خبره و غیرخبره را کاهش دهد؟

احتمالاً بله. مطالعه نشان می‌دهد خبره‌ها توافق بیشتری دارند؛ برنامه‌های آموزشی هدفمند روی ویژگی‌های کلیدی و مدیریت پاسخ‌های غیرقابل‌ارزیابی می‌تواند هماهنگی بین تفسیرها را افزایش دهد.

۳) آیا می‌توان به الگوی جدول‌شده در این مقاله به عنوان الگوریتم تشخیصی اتکا کرد؟

خیر. تحلیل درخت تصمیم در این مطالعه جنبهٔ اکتشافی دارد و به‌صورت یک الگوریتم تشخیصی معتبر تأیید نشده است. برای استفادهٔ بالینی نیاز به مطالعات بزرگ‌تر و اعتبارسنجی است.

۴) اگر پزشک من گفت ضایعه شما Type ۱ است، آیا نیازی به پیگیری دارم؟

هر تصمیم پیگیری یا درمان باید بر پایهٔ ترکیب یافته‌های تصویری، نتیجهٔ نمونه‌برداری (در صورت انجام) و سابقهٔ بالینی فرد گرفته شود. بهتر است توصیهٔ پیگیری را با پزشک معالج در میان بگذارید.

محدودیت‌های کلیدی مطالعه (خلاصه)

• حجم نمونهٔ ضایعات کوچک.
• تأثیر احتمالی سوگیری انتخاب تصاویر و سوگیری پاسخ‌دهندگان وب‌محور.
• عدم امکان تعمیم آسان به سایر جمعیت‌ها یا دستگاه‌های تصویربرداری متفاوت.
• نتایج اکتشافی و نیاز به مطالعات تأییدی.

جمع‌بندی کاربردی

این تحلیل نشان می‌دهد که در تفسیر اپتیکی ضایعات سرّی‌شده کولورکتال، تجربهٔ اندوسکوپیست و نحوهٔ برخورد با پاسخ‌های غیرقابل‌ارزیابی می‌تواند الگوهای انتخاب JNET نوع ۱ را تحت‌تأثیر قرار دهد. برای بیماران و مراکز بالینی پیامِ عملی این است که تصمیم‌گیری صرفاً بر اساس یک تفسیر اپتیکی واحد ممکن است ناکافی باشد؛ ترکیب یافته‌های تصویری با پاتولوژی و در صورت لزوم نظر دوم یا استفاده از معیارهای استانداردشده به بهبود دقت کمک خواهد کرد. این نتایج اکتشافی هستند و نه توصیهٔ درمانی؛ مطالعات بزرگ‌تر برای توسعهٔ الگوریتم‌های تشخیصی معتبر لازم است.

منبع

Feature-Based Patterns Associated With Japan NBI Expert Team Type 1 Classification of Serrated Colorectal Lesions: A Post Hoc Decision Tree Analysis. Europe PMC. 2027. DOI: https://doi.org/10.1002/deo2.70428

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.