تشخیص بیماری ها از تصویر قفسه سینه با یاری هوش مصنوعی - راه ساری

دانشمندان دانشکده پزشکی هاروارد و دانشگاه استنفورد یک ابزار تشخیصی هوش مصنوعی ایجاد نموده اند که می تواند بیماری ها را بر روی اشعه ایکس قفسه سینه مستقیما از توضیحات زبان طبیعی موجود در گزارش های بالینی همراه تشخیص دهد.

این مرحله به عنوان یک پیشرفت بزرگ در طراحی هوش مصنوعی بالینی تلقی می گردد، زیرا بیشتر مدل های هوش مصنوعی فعلی احتیاج به حاشیه نویسی پر زحمت انسانی از مجموعه های وسیعی از داده ها دارند، قبل از اینکه داده های برچسب گذاری شده به مدل داده شوند تا آن ها را آموزش دهد.

نتایج این مطالعه، نشان می دهد که این مدل که CheXzero نام دارد، در توانایی تشخیص آسیب شناسی در اشعه ایکس قفسه سینه با رادیولوژیست های انسانی برابری می نماید.

بیشتر مدل های هوش مصنوعی در طول آموزش خود به مجموعه داده های برچسب گذاری شده احتیاج دارند تا بتوانند آسیب شناسی را به درستی شناسایی نمایند. این فرآیند به ویژه برای وظایف تفسیر تصویر پزشکی سنگین است، زیرا شامل حاشیه نویسی در مقیاس بزرگ به وسیله پزشکان انسانی است که اغلب گران و زمان بر است، به عنوان مثال، برای برچسب گذاری مجموعه داده های اشعه ایکس قفسه سینه، رادیولوژیست های متخصص باید صد ها هزار تصویر اشعه ایکس را یک به یک نگاه نمایند و به صراحت هر کدام را با شرایط شناسایی شده حاشیه نویسی نمایند. در حالی که مدل های نو هوش مصنوعی سعی نموده اند با یادگیری از داده های بدون برچسب در مرحله پیش آموزشی، این مشکل برچسب گذاری را رفع نمایند، در نهایت برای دستیابی به عملکرد بالا، احتیاج به تنظیم دقیق داده های برچسب گذاری شده دارند.

در مقابل، مدل نو خود نظارت است، به این معنا که به طور مستقل بیشتر یاد می گیرد، بدون احتیاج به داده های برچسب گذاری شده دستی قبل یا بعد از آموزش. این مدل تنها به عکس برداری از قفسه سینه و یادداشت های انگلیسی زبان موجود در گزارش های همراه با اشعه ایکس متکی است.

پراناو راجپورکار، محقق ارشد این مطالعه، می گوید: ما در روز های اولیه نسل بعدی مدل های هوش مصنوعی پزشکی هستیم که می توانند وظایف انعطاف پذیری را با یادگیری مستقیم از متن انجام دهند. تا به امروز، بیشتر مدل های هوش مصنوعی برای دستیابی به عملکرد بالا به حاشیه نویسی دستی حجم عظیمی از داده ها (در حد 100000 تصویر) متکی بوده اند. روش ما به چنین حاشیه نویسی مخصوص بیماری احتیاج ندارد.

با CheXzero، می توان به سادگی یک عکس رادیولوژی قفسه سینه و گزارش رادیولوژی مربوطه را به مدل داده و با آن آموزش داد که تصویر و متن در گزارش باید مشابه در نظر گرفته شوند، به عبارت دیگر، می آموزد که با X قفسه سینه مطابقت داشته باشد.

راجپورکار می افزاید: اشعه با گزارش همراه خود این مدل می تواند در نهایت بیاموزد که چگونه مفاهیم موجود در متن بدون ساختار با الگو های بصری در تصویر مطابقت دارند.

این مدل بر روی یک مجموعه داده در دسترس عموم شامل بیش از 377000 عکس با اشعه ایکس قفسه سینه و بیش از 227000 یادداشت بالینی مربوطه آموزش داده شد، سپس عملکرد آن روی دو مجموعه داده جداگانه از اشعه ایکس قفسه سینه و یادداشت های مربوطه جمع آوری شده از دو مؤسسه مختلف که یکی از آن ها در کشور دیگری بود، آزمایش شد. این تنوع مجموعه داده ها برای اطمینان از این بود که مدل در مواجهه با یادداشت های بالینی که ممکن است از اصطلاحات متفاوتی برای توصیف همان یافته استفاده کند، به همان میزان خوب عمل می نماید.

بیشتر بخوانید

پس از آزمایش، CheXzero با موفقیت آسیب هایی را شناسایی کرد که به صراحت به وسیله پزشکان انسانی توضیح داده نشده بودند. این ابزار بهتر از سایر ابزار های هوش مصنوعی تحت نظارت خود و با دقتی مشابه رادیولوژیست های انسانی عمل کرد.

به گفته محققان، این رویکرد در نهایت می تواند برای روش های تصویربرداری بسیار فراتر از اشعه ایکس، از جمله سی تی اسکن، MRI و اکوکاردیوگرام به کار رود.

اکین تیو، یکی دیگر از محققان این مطالعه، می گوید: CheXzero نشان می دهد که دقت تفسیر تصویر پزشکی پیچیده دیگر احتیاجی به تحت الشعاع قرار دادن مجموعه داده های بزرگ برچسب گذاری شده ندارد. ما از اشعه ایکس قفسه سینه به عنوان نمونه رانندگی استفاده می کنیم، اما در واقع قابلیت CheXzero به مجموعه وسیعی از تنظیمات پزشکی که در آن داده های بدون ساختار معمول است، قابل تعمیم است، و دقیقا وعده دور زدن گلوگاه برچسب گذاری در مقیاس بزرگ را نشان می دهد که گریبانگیر جامعه شده است.

منبع: مدیکال اکسپرس

خبرنگاران علمی پزشکی بهداشت و درمان