بر اساس مطالعهای که اخیراً در مجله منتشر شده است، محققان جانز هاپکینز یک مدل مبتنی بر یادگیری عمیق برای تشخیص عفونت COVID-19 با استفاده از تصاویر اولتراسوند ریه ایجاد کردهاند. پزشکی ارتباطات.
ابزار تشخیص خودکار از شبکههای عصبی عمیق (DNN) برای شناسایی ویژگیهای COVID-19 در تصاویر حالت B سونوگرافی ریه استفاده میکند و ممکن است به پزشکان کمک کند تا بیماران بخش اورژانس را به طور مؤثرتری تشخیص دهند.
Muyinatu Bell، نویسنده ارشد، دکترا، استادیار دانشگاه گفت: “ما این ابزار تشخیص خودکار را برای کمک به پزشکان در شرایط اضطراری با تعداد موارد بالای بیمارانی که نیاز به تشخیص سریع و دقیق دارند، مانند مراحل اولیه بیماری همه گیر، توسعه دادیم.” گروه مهندسی برق و کامپیوتر در دانشکده مهندسی وایتینگ در دانشگاه جان هاپکینز، در یک خبر. “به طور بالقوه، ما می خواهیم دستگاه های بی سیمی داشته باشیم که بیماران بتوانند در خانه از آنها برای نظارت بر پیشرفت کووید-19 نیز استفاده کنند.”
برای توسعه این ابزار، تیم تحقیقاتی DNN ها را بر روی مجموعه داده های متعدد با تصاویر مختلف آموزش دادند: 40000 تصویر شبیه سازی شده، 174 تصویر in vivo در دسترس عموم، 958 تصویر اضافی in vivo توسط محققان و ترکیبی از مجموعه داده ها.
با استفاده از این دادهها، مدلها وظیفه داشتند خطوط B را علامتگذاری کنند – ناهنجاریهای روشن و عمودی تصویر که نشاندهنده التهاب در بیماران مبتلا به عوارض ریوی است – برای تشخیص عفونت COVID-19. مدل به دست آمده عملکرد بالایی در شناسایی ناهنجاری های مرتبط با COVID-19 به دست آورد.
موفقیت این ابزار در شناسایی دقیق COVID-19 در تصاویر سونوگرافی ریه ممکن است نشان دهد که پتانسیل تشخیصی آن میتواند به سایر شرایط مانند نارسایی قلبی نیز گسترش یابد.
تیفانی فونگ، استادیار پزشکی اورژانس در پزشکی جان هاپکینز، یکی از نویسندگان این مقاله گفت: «کاری که ما در اینجا با ابزارهای هوش مصنوعی انجام می دهیم، مرز بزرگ بعدی برای نقطه مراقبت است. یک مورد ایده آل برای استفاده، پچ های فراصوت پوشیدنی است که تجمع مایعات را کنترل می کند و به بیماران اطلاع می دهد که چه زمانی نیاز به تنظیم دارو دارند یا چه زمانی باید به پزشک مراجعه کنند.
توانایی این ابزار برای استفاده از تصاویر تولید شده توسط کامپیوتر در کنار سونوگرافی واقعی، کلید قابلیت تشخیص آن است.
بل توضیح داد: «ما مجبور بودیم فیزیک امواج فراصوت و امواج صوتی را به اندازه کافی خوب مدل کنیم تا بتوانیم تصاویر شبیه سازی شده قابل باوری را بدست آوریم. سپس مجبور شدیم یک قدم جلوتر برویم تا مدلهای کامپیوتری خود را آموزش دهیم تا از این دادههای شبیهسازی شده برای تفسیر قابل اعتماد اسکنهای واقعی از بیماران مبتلا به ریههای آسیبدیده استفاده کنند.»
وقتی همهگیری کووید-19 شروع شد، محققان فاقد دادههای دنیای واقعی لازم برای آموزش هوش مصنوعی (AI) برای تشخیص بیماران بودند، اما تیم تحقیقاتی خاطرنشان کرد که داشتن مدلی که میتواند از دادههای شبیهسازیشده استفاده کند ممکن است بار ناشی از کمبود داده را کاهش دهد. .
لینگی ژائو، نویسنده اول که این نرم افزار را توسعه داده است، می گوید: «در اوایل همه گیری، ما تصاویر اولتراسوند کافی از بیماران COVID-19 برای توسعه و آزمایش الگوریتم های خود نداشتیم و در نتیجه شبکه های عصبی عمیق ما هرگز به اوج عملکرد نرسیدند. در حالی که یک همکار فوق دکترا در آزمایشگاه بل. اکنون، ما ثابت میکنیم که با مجموعه دادههای تولید شده توسط رایانه، هنوز میتوانیم به دقت بالایی در ارزیابی و شناسایی این ویژگیهای COVID-19 دست یابیم.»
تحقیقاتی مانند این بر نقش رو به رشد هوش مصنوعی در تجزیه و تحلیل تصویربرداری پزشکی تأکید می کند، اما به کارگیری این فناوری ها هنوز پر از مشکلات است.
کارشناسان دانشکده پزشکی هاروارد (HMS)، موسسه فناوری ماساچوست (MIT) و دانشگاه استنفورد اخیرا دریافتند که استفاده از ابزارهای مبتنی بر هوش مصنوعی برای کمک به رادیولوژیستها میتواند به طور غیرقابل پیشبینی بر عملکرد پزشک تأثیر بگذارد.
محققان تاکید کردند که شواهدی وجود دارد که نشان میدهد هوش مصنوعی میتواند عملکرد رادیولوژیستها را به طور کلی افزایش دهد، اما مطالعاتی که در مورد تأثیر استفاده از هوش مصنوعی بر عملکرد فردی انجام میشود، محدود است.
برای پر کردن شکاف تحقیقاتی، تیم گروهی از رادیولوژیست ها را بر اساس توانایی آنها در شناسایی صحیح ناهنجاری های تصویربرداری مرتبط بالینی با و بدون استفاده از هوش مصنوعی ارزیابی کردند. تجزیه و تحلیل نشان داد که تأثیر هوش مصنوعی متناقض است و عملکرد برخی از رادیولوژیست ها را بهبود می بخشد در حالی که آن را برای برخی دیگر بدتر می کند.