سیر تکاملی یادگیری عمیق هوش مصنوعی در رادیولوژی
رادیولوژی از جمله نخستین رشته های پزشکی است که به دلیل حجم بالای داده ها از یادگیری عمیق ، بهره برداری وسیعی نمود بطوریکه داده های قابل تحلیل در اختیار الگوریتم ها قرار داد. امروزه هوش مصنوعی در رادیولوژی در حال پشت سر گذاشتن دوران متحول کننده ای است بطوریکه ابزارهای پیشرفته هوش مصنوعی برای تشخیص بیماری از روی تصاویر پزشکی یا پیش آگهی و یا مراقبتهای فردی از بیمار به وجود آمده.
در این مقاله به سیر تکاملی یادگیری عمیق هوش مصنوعی در رادیولوژی می پردازیم.
سیر تکاملی یادگیری عمیق هوش مصنوعی در رادیولوژی
پیشرفت مداوم در استفاده از هوش مصنوعی در رادیولوژی مستلزم یادگیری عمیق است بطوریکه سیر تکاملی آن شامل پردازش داده های پیچیده رادیولوژی ، تشخیص الگوهای ظریف بالینی و مهم و پشتیبانی از تصمیمات بالینی مبتنی بر داده می باشد.
گرچه هوش مصنوعی در رادیولوژي برای پردازش تصاویر پیچیده رادیولوژی یا تشخیص تصاویر بطور مداوم در حال پیشرفت است و طی آمار جدید دقت تشخیصی بسیار بالا رفته اما پذیرش بالینی آن همچنان محدود است. به این دلیل که نگرانی هایی درباره شفافیت ، قابل اطمینان بودن ، تعمیم پذیری و استفاده اخلاقی از هوش مصنوعی در مراکز پزشکی وجود دارد.
به هر روی با وجود چالش های مداوم مانند کیفیت داده ها و تفسیر پذیری و عدم وجود معیارهای ارزیابی استاندارد ، متخصصان به آزمایش و اصلاح سیستم های یادگیری عمیق هوش مصنوعی ادامه می دهد.
مقالات دیگر : چالش های هوش مصنوعی در رادیولوژي
دوران روشهای سنتی رادیولوژی تا قبل از سال 2010
از ابتدای اختراع رادیولوژی تا سال 2010 میلادی یا 1389 شمسی ، عموما تصاویر پزشکی با روشهای پردازش کلاسیک تحلیل می شد و رادیولوژیست ها به صورت دستی بر روی فیلم رادیولوژی ، تصاویر را از روی شکل و بافت و لبه ریپورت می کردند. این سیستم ها دقت محدودی داشته و به شدت به برنامه نویسی دستی وابسته بودند.
دوران ظهور شبکه های عصبی عمیق از 2010 تا 2015
در این سالها (1389 تا 1394) شبکه های کانولوشنی یا CNN به موفقیت رسیده و مدل هایی مانند AlexNet معرفی شده که تحلیل تصاویر را متحول کردند. بدین جهت پژوهشگران شروع به استفاده از CNN به جهت تشخیص ضایعات در تصاویر سی تی اسکن و رادیولوژی و ام آر آی نمودند. همچنین سیستم ها ویژگی ها را بطور خودکار از تصاویر استخراج می کردند.
دوران گسترش کاربردهای بالینی از 2015 تا 2020
در این سالها (1394 تا 1399) سیر تکاملی یادگیری عمیق هوش مصنوعی بدین مرحله رسید که برخی الگوریتم ها در وظایف خاص به سطح متخصصان رادیولوژی نزدیک شد و به تشخیص سرطان ریه در سی تی اسکن یا تشخیص شکستگی استخوانی در رادیولوژی ، غربالگری سرطان پستان در ماموگرافی و یا تشخیص تومور مغزی در ام آر آی رسید.
دوران هوش مصنوعی کمکی برای رادیولوژیست ها از 2020 تا 2024
سالهای 1399 تا 1403 هوش مصنوعی بعنوان کمکی برای رادیولوژیست ها محسوب می شود و استفاده از هوش مصنوعی برای اولویت بندی تصاویر اورژانسی ، کاهش زمان ریپورت تصاویر و بخش بندی خودکار اندامها و تومورها در بدن بکار گرفته شد. افزون بر این کیفیت تصاویر ام آر آی و سی تی اسکن با کاهش نویز به میزان قابل توجهی افزایش داده شد.
در این مرحله مهم جایگزین کردن پزشک رادیولوژیست نبود بلکه ظهور هوش مصنوعی بعنوان یک نیروی کمکی به تصمیم گیری دقیق تر و سریعتر به پزشک در تشخیص تصاویر رادیولوژی می باشد.
نسل جدید هوش مصنوعی از 2024 تا امروز
در دو سال اخیر از مدلهای جدید هوش مصنوعی مانند مدل های چند وجهی Multimodal AI ، تولید گزارش خودکار رادیولوژی ، ترکیب تصاویر رادیولوژی با پرونده الکترونیک بیمار و مدل های مولد یا Generative AI به جهت بازسازی تصاویر با کیفیت بالاتر استفاده می شود که حتی می توانند به لحاظ کردن اطلاعات بالینی بیمار درتصمیم گیری بپردازند.
مقالات دیگر : آینده هوش مصنوعی در رادیولوژي
کاربردهای مهم نسل جدید هوش مصنوعی در رادیولوژی چیست؟
- بازسازی تصاویر ام آر آی و سی تی اسکن با کیفیت بالاتر
- اندازه گیری حجم تومورها
- تشخیص سرطان پستان
- تشخیص سرطان ریه
- تشخیص سکته مغزی
- تشخیص شکستگی استخوانی
پیشرفت های اخیر در یادگیری عمیق هوش مصنوعی در رادیولوژی
- توسعه و آموزش مدل های هوش مصنوعی برای اطلاعات تصاویر پزشکی در مقیاس بزرگ و پیچیده
- تشخیص و آنالیز و کاهش سوگیری الگوریتیمی برای یادگیری از داده های محدود یا نامتوازن
- نسل جدید مدل های هوش مصنوعی چند وجهی و چند ابزاری برای داده های بالینی ناهمگن
- افزایش وضوح و شفافیت و قابلیت استفاده مدل های هوش مصنوعی برای پزشکان رادیولوژيست
- تقویت داده ها و شبیه سازی در مدل های هوش مصنوعی تولید و ترکیبی در رادیولوژی
- بررسی پیامد اخلاقی و حریم خصوصی استفاده از فناوری هوش مصنوعی در رادیولوژي
معرفی نرم افزار
نرم افزار فیلم رادیولوژی PPQ
فیلم رادیولوژی PPQ نرم افزاری است که به جهت مشاهده تصاویر رادیولوژی ، سی تی اسکن ، ام آر آي و ماموگرافی و ... استفاده می شود. این نرم افزار تحت وب بوده بطوریکه تصاویر بیمار را در کسری از ثانیه در موبایل یا تبلت یا لپ تاپ در هر زمان و هر مکان به نمایش در می آورد. نرم افزار فیلم رادیولوژی PPQ در فضای ابری تصاویر پیچیده پزشکی را به فرمت عکس تبدیل کرده تا حجم آن کاهش یابد.
فضای ابری نرم افزار کد رمزگذاری شده یا لینک تصاویر را به چاپگر مجازی شبکه ارائه می دهد که هم قابلیت چاپ بر روی کاغذ یا کارت دارد و هم قابلیت اشتراک گذاری بصورت لینک. قابل ذکر است که تصاویر در این نرم افزار کیفیت بسیار بالایی داشته و به تشخیص پزشکان کلینیسین کمک می کند.
برای کسب اطلاعات بیشتر با شماره 09111366703 تماس حاصل فرمایید.
نرم افزار پزشکی سپاس92
اینستاگرام : https://instagram.com/sepas92
نویسنده : مهندس محمد شیخی نژاد
دارای مدرک MCSE
دستاوردها : مقالات علمی در زمینه IT و طراح نرم افزارهای پزشکی
عضو شرکتهای دانش بنیان زیرنظر معاونت پژوهشی دانشگاه گیلان
