ايتنا - تفسیر تصاویر پزشکی با یادگیری عمیق

ایتنا - با این روش، از هر صد بیمار، نزدیک به پنج تن از آنان از عمل جراحی بی‌مورد نجات پیدا می‌کنند.

یک تصویر MRI را درنظر بگیرید. آیا با نگاه کردن به آن، می‌توانید مشکل بیمار را پیدا کنید؟
الگوریتم یادگیری عمیق یادگیری ژرف) می‌تواند پارگی رباط صلیبی جلو را تشخیص دهد و محل دقیق آن را هم با استفاده از یک نقشه توزیع دمایی (heat map) بیابد. در چنین نقشه‌ای، محل عارضه پررنگ‌تر از جاهای دیگر است.

به گزارش ایتنا به نقل از دانشگاه استانفورد، متخصصان یادگیری ماشین در این مرکز علمی به‌تازگی توانسته‌اند برای پیش‌بینی مشکلات بیمار در تصاویر MRI زانو، یک الگوریتم جدید بنویسند و با دادن آن به رادیولوژیست‌ها و جراحان در طی تفسیر تصویر، سودمندی آن را بسنجند.

گفتنی سنگ بنای اصلی این سامانه پیش‌بینی، MRNet نام دارد که یک شبکه عصبی پیچشی (CNN) است که یک سری MRI سه‌بُعدی را به یک احتمال می‌نگارد.

از آنجا که MRNet برای هریک از سری‌های ساژیتال (شکاف سهمی جمجمه)، قله جمجمه و محوری یک پیش‌بینی دارد، این محققان برای وزن دادن به پیش‌بینی‌ها و دست یافتن به یک خروجی برای هر آزمون، از روش رگرسیون لجستیک استفاده کردند. آنان همچنین عملکرد رادیولوژیست‌های عمومی وجراحان را بدون این مدل‌های کمکی سنجیدند.

بنابر یافته‌های دانشمندان، این روش تا حد زیادی سبب کاهش در تشخیص اشتباه پارگی رباط صلیبی در بیماران می‌گردد. با این روش، از هر صد بیمار، نزدیک به پنج تن از آنان از عمل جراحی بی‌مورد نجات پیدا می‌کنند.

پیش‌بینی و تعیین محل دقیق عارضه به‌صورت خودکار، می‌تواند به رادیولوژیست‌ها یا حتی متخصصان غیررادیولوژیستی (همچون جراحان ارتوپدی) کمک کند تا بتوانند تصاویر پزشکی را برای بیماران تفسیر کنند و منتظر تفسیر متخصص رادیولوژیست نمایند.
البته در هنگامی که متخصص رادیولوژیست حضور ندارد، این کار می‌تواند در تفسیر درست، کاهش خطا و کمک به استانداردسازی کیفیت تشخیص نیز مفید واقع شود.

دانشمندان می‌گویند برای ارزیابی قابلیت یکپارچه‌سازی بهینه این مدل و دیگر مدل‌های یادگیری ژرف در حوزه بالینی، مطالعات بیشتری باید انجام شود. آنها امیدوار هستند تا با انجام کار مشترک با فعالان بخش بهداشت و درمان، به تحقیقات بیشتر و اعتبارسنجی مدل‌های خودکار هوش مصنوعی در تصویربرداری پزشکی بپردازند.