اختراع محقق ایرانی، ناجی جان زنان در جهان

از آنجایی که این اسکن به صورت خودکار انجام می‌شود، می‌تواند توسط افرادی غیر از اپراتورهای سونوگرافی مانند دستیاران پزشک نیز استفاده شود. این سیستم همچنین از هوش مصنوعی برای کمک به تفسیر اسکن و تصمیمات درمانی(treatment decisions) استفاده می‌کند.

این سیستم قابل حمل را می‌توان در بالین بیمار استفاده کرد و این به آن معنا است که ممکن است برای استفاده در نقاط دورافتاده یا کم منابع جهان نیز مناسب باشد. از آنجایی که سرطان پستان علت اصلی مرگ و میر ناشی از سرطان در زنان در سراسر جهان است، ارتقای دسترسی زنان به فناوری اسکن با کیفیت بالا برای کمک به کاهش مرگ و میر ناشی از سرطان پستان امری مهم و حیاتی است.

این شرکت اخیرا اعلام کرد که سیستم ATUSA مجوز سازمان غذا و داروی آمریکا را دریافت کرده است. وبسایت مدگجت این فرصت را داشته تا با مریم ضیایی، مدیرعامل و یکی از بنیانگذاران iSono Health درباره این فناوری صحبت کند.

 لطفا یک نمای کلی از تصویربرداری پستان و اهمیت آن در کاهش مرگ و میر ناشی از سرطان پستان به ما بگویید.

مریم ضیایی: تصویربرداری پستان شامل ابزارها و تکنیک‌های مختلفی برای غربالگری و تشخیص سرطان پستان است. بسیاری از زنان با نوعی از تصویربرداری از پستان آشنا هستند زیرا از هر هشت زن، یک نفر در طول زندگی خود به سرطان پستان تهاجمی مبتلا می‌شود و سرطان پستان به عنوان عامل اصلی مرگ و میر ناشی از سرطان در بین زنان در سراسر جهان شناخته می‌شود. با این حال سرطان پستان در صورتی که به موقع تشخیص داده شود(در حالی که هنوز در بافت پستان موضعی است)، نرخ بقای ۹۹ درصدی دارد. اکثر مرگ و میرهای ناشی از سرطان پستان در زنانی که  غربالگری در آنها صورت نگرفته یا تحت غربالگری رخ می‌دهد، بنابراین نظارت منظم بر سلامت پستان می تواند میزان بقا را به حداکثر برساند.

محدودیت‌های روش‌ها و فناوری فعلی تصویربرداری پستان چیست؟

مریم ضیایی: ماموگرافی سالانه یا هر دو سال یک بار اولین ابزار غربالگری سرطان پستان است، اما برای تشخیص زودهنگام سرطان پستان کاستی‌های قابل توجهی وجود دارد. ماموگرافی در زنانی که سینه‌های متراکم(dense breasts) دارند، حساسیت محدودی دارد. همچنین، زنان جوان‌تر نیز واجد شرایط ماموگرافی نیستند، یا زنانی هستند که به دلیل عدم دسترسی به مرکز تصویربرداری پستان یا ترس از اشعه ایکس، قادر به دریافت ماموگرافی نیستند. به دلیل دسترسی محدود، بسیاری از سرطان‌ها در فاصله زمانی بین غربالگری‌ها کشف می‌شوند و به دلیل حساسیت محدود، برخی از آنها به طور کامل توسط ماموگرافی دیده نمی‌شوند. سونوگرافی در بهبود تشخیص سرطان سینه در زنانی که سینه‌های متراکم دارند موثر بوده و مقرون‌به‌صرفه‌ترین، مقیاس‌پذیرترین و در دسترس‌ترین راه‌حل در سراسر جهان است. با این حال، وابستگی زیادی به مهارت اپراتور برای به دست آوردن تصاویر فراصوت با کیفیت خوب وجود دارد. در سطح جهانی، کمبود متخصصان ماهر سونوگرافی وجود دارد. سیستم ATUSA تصویربرداری خودکار از کل پستان را در یک فرم قابل حمل امکانپذیر می‌کند که این امر دسترسی میلیون‌ها زن در سراسر جهان را با افزایش قابلیت تشخیصی بهبود می‌بخشد و در عین حال امکان غربالگری کوتاه‌تر و کارآمدتر را فراهم می‌کند.

چه چیزی الهام بخش شما برای توسعه این فناوری شد؟

مریم ضیایی: iSono Health توسط دو مهندس زن دارای مدرک دکترا که تجربیات شخصی مشابهی را در مورد از دست دادن عزیزان خود در اثر ابتلا به سرطان پستان به دلیل نبود ماموگرافی دقیق داشتند، تاسیس شد. به دلیل ناکافی بودن ماموگرافی به‌ویژه برای زنان با سینه‌های متراکم ما به دنبال راهی برای حل این مشکل بودیم. برای نظارت بر سلامت پستان علاوه بر این، به زنان گفته می‌شود که برای بررسی تغییرات در بافت سینه خود، هر ماه یک معاینهپستان انجام دهند. با این حال، ۹۰درصد از زنان این خود آزمایی را انجام نمی‌دهند و آنهایی که انجام می‌دهند نیز مطمئن نیستند که چه تغییراتی طبیعی یا غیر طبیعی است. بنابراین، ایده ایجاد یک سیستم جدید و ابتکاری با استفاده از امواج فراصوت که یک فناوری اثبات شده برای تصویربرداری پستان برای دیدن از طریق بافت و جستجوی دقیق‌تر این تغییرات است، مطرح شد.

مریم ضیایی: سیستم ATUSA™ اولین سونوگرافی سه بعدی پستان خودکار و پوشیدنی در نوع خود است. اسکنر ATUSA به لوازم جانبی پوشیدنی که کل حجم سینه را در میدان دید اسکنر قرار می‌دهد، متصل می‌شود. این سیستم با اسکن خودکار یک مبدل خطی روی سطح سینه در تنها دو دقیقه، کل حجم سینه را اسکن می‌کند. این نرم افزار تصاویر را در همان لحظه اسکن نمایش می‌دهد و سپس تصاویر سونوگرافی حجمی سه بعدی را در سطوح مختلف بازسازی و نمایش می‌دهد و به پزشک اجازه می‌دهد تا بر اساس یافته‌های خود آن را تفسیر کنند. این نرم افزار برای ادغام یکپارچه با الگوریتم‌های مختلف یادگیری ماشین طراحی شده است تا به پزشکان در تشخیص و طبقه‌بندی موارد مختلف کمک کند.