نوشته شانیا کندی
بر اساس مطالعه‌ای که این هفته در این هفته منتشر شد، محققان ابزار یادگیری عمیقی را توسعه داده‌اند که می‌تواند موارد مثبت کاذب را بدون از دست دادن موارد واقعی سرطان پستان شناسایی شده با غربالگری ماموگرافی کاهش دهد. رادیولوژی: هوش مصنوعی.
غربالگری موثر سرطان برای بهبود نتایج بیمار کلیدی است، اما خواندن تصاویر پزشکی مانند ماموگرافی می تواند برای پزشکان چالش برانگیز باشد و به طور بالقوه منجر به نتایج مثبت کاذب شود.
دکتر ریچارد ال. وال، نویسنده ارشد، استاد رادیولوژی در موسسه رادیولوژی مالینکرودت دانشگاه واشنگتن (MIR) و پروفسور توضیح داد: «مثبت کاذب زمانی است که بیمار را برای آزمایش اضافی فراخوانی می‌کنید، و معلوم می‌شود که خوش خیم است». رادیوتراپی انکولوژی، در یک خبر. این باعث ایجاد اضطراب بی مورد برای بیماران می شود و منابع پزشکی را مصرف می کند.
ابزارهایی مانند دستیارهای مجهز به هوش مصنوعی (AI) این پتانسیل را دارند که با شناسایی و حذف ماموگرافی های کم خطر از حجم کاری یک رادیولوژیست، به حل مسئله مثبت کاذب کمک کنند و به آن ها اجازه می دهند بر روی تصاویر مشکوک به سرطان سینه تمرکز کنند.
با این حال، این مستلزم آن است که یک مدل هوش مصنوعی بتواند به طور دقیق موارد مثبت کاذب را بدون از دست دادن موارد واقعی سرطان نشان دهد. محققان مدلی را که توسط استارت‌آپ فناوری Whiterabbit.ai توسعه یافته بود، ارزیابی کردند تا توانایی‌های آن را در این زمینه مشخص کنند.
برای انجام این کار، تیم تحقیقاتی یک مطالعه شبیه‌سازی انجام دادند که این ابزار را به شناسایی ماموگرافی‌های طبیعی و رد کردن سرطان بر عهده داشت. از آنجا، محققان از داده‌های واقعی بیمار برای شبیه‌سازی اینکه اگر این تصاویر کم‌خطر حذف شوند چه اتفاقی می‌افتد استفاده کردند و به رادیولوژیست‌ها اجازه داد روی ماموگرافی‌های پرخطر تمرکز کنند.
این ابزار بر روی مجموعه ای از 123248 ماموگرافی دیجیتال 2 بعدی – که 6161 مورد آن حاوی سرطان بود – که توسط رادیولوژیست های دانشگاه واشنگتن جمع آوری و ارزیابی شد، آموزش داده شد. سپس مدل بر روی سه مجموعه داده مستقل از ایالات متحده و بریتانیا اعتبار سنجی شد.
با استفاده از این داده‌ها، محققان تعیین کردند که چند بیمار برای غربالگری ثانویه و بیوپسی، نتایج آن آزمایش‌ها و اینکه آیا هر مورد تشخیص سرطان داده شده است یا خیر. سپس هوش مصنوعی روی داده‌ها اعمال شد و ماموگرافی‌های منفی حذف شدند و تصاویر پرخطری باقی ماندند تا توسط پزشکان با استفاده از روش‌های تشخیصی استاندارد ارزیابی شوند.
برای هر مجموعه داده، استفاده از ابزار یادگیری عمیق منجر به کاهش قابل توجهی در موارد مثبت کاذب بدون از دست دادن موارد واقعی سرطان شد.
در اولین مجموعه داده ایالات متحده، این مدل معاینات غربالگری را که نیاز به تفسیر رادیولوژیست داشتند تا 41.6 درصد، بازخوانی معاینه تشخیصی را تا 31.1 درصد و بیوپسی های سوزنی خوش خیم را تا 7.4 درصد کاهش داد.
این روندها در مجموعه داده های دیگر نیز مشاهده شد، با کاهش 19.5 درصد، 11.9 درصد و 6.5 درصد در مجموعه داده دوم ایالات متحده، در کنار 36.8 درصد، 17.1 درصد، و 5.9 کاهش در مجموعه داده های بریتانیا.
وال خاطرنشان کرد: «این مطالعه شبیه‌سازی نشان داد که ماموگرافی‌های بسیار کم خطر را می‌توان به‌طور قابل اعتمادی توسط هوش مصنوعی شناسایی کرد تا نتایج مثبت کاذب را کاهش دهد و جریان کار را بهبود بخشد».
این نتایج پتانسیل ابزارهای مبتنی بر هوش مصنوعی را برای کمک به کاهش بار کاری پزشکان بدون به خطر انداختن کیفیت مراقبت یا نتایج بیمار نشان می‌دهد.
جیسون سو، یکی از بنیانگذاران و مدیر ارشد فناوری Whiterabbit.ai، یکی از نویسندگان این مقاله، گفت: «در پایان روز، ما به جهانی اعتقاد داریم که در آن پزشک ابرقهرمانی است که سرطان را پیدا می‌کند و به بیماران کمک می‌کند تا سفر خود را پیش ببرند. روشی که سیستم‌های هوش مصنوعی می‌توانند کمک کنند، حضور در نقش پشتیبانی است. با ارزیابی دقیق موارد منفی، می‌تواند به حذف یونجه از انبار کاه کمک کند تا پزشکان بتوانند سوزن را راحت‌تر پیدا کنند. این مطالعه نشان می دهد که هوش مصنوعی به طور بالقوه می تواند در شناسایی آزمون های منفی بسیار دقیق باشد. مهمتر از همه، نتایج نشان داد که تشخیص خودکار موارد منفی ممکن است منجر به یک مزیت فوق العاده در کاهش مثبت کاذب بدون تغییر در میزان تشخیص سرطان شود.
این تحقیق با بودجه Whiterabbit.ai پشتیبانی شد و دانشگاه واشنگتن دارای سهام سهام در شرکت است.
این یافته ها بر وعده هوش مصنوعی در تجزیه و تحلیل تصویربرداری پزشکی تأکید می کند.
این هفته، محققان دانشکده پزشکی ییل و سایر موسسات یک نشانگر ویدیویی مبتنی بر هوش مصنوعی را شناسایی کردند که می‌تواند به پزشکان کمک کند تا بیمارانی را که ممکن است دچار تنگی آئورت شوند یا به سرعت بدتر می‌شوند، با دقت بیشتری علامت‌گذاری کنند.
ابزار – دیجیتال [aortic stenosis] شاخص شدت (DASSi) – می‌تواند علامت اکوکاردیوگرافی شرایط را ثبت کند، و به مدل اجازه می‌دهد تا خطر ایجاد و پیشرفت تنگی آئورت را در بیماران بدون این بیماری یا با اشکال خفیف یا متوسط شرایط در ابتدا طبقه‌بندی کند.