هوش مصنوعی دستیار رادیولوژیست ها می شود
به گزارش آجاک، برپایه تحقیقی جدید، محققان می توانند به مدلهای هوش مصنوعی بیاموزند بین تومورهای مغزی و بافت سالم تمایز قائل شوند.
به گزارش آجاک به نقل از مهربه نقل از فیز، مدلهای هوش مصنوعی الان قادر هستند با دقتی مشابه پزشکان چنین تومورهایی را در تصاویر ام آر آی شناسایی کنند. محققان به صورت مستمر استفاده از هوش مصنوعی در حوزه پزشکی را گسترش داده اند. بخصوص استفاده از این تکنولوژی در زمینه رادیولوژی نویدبخش بوده است. در این عرصه انتظار بیماران برای آن که تکنیسین ها تصاویر پزشکی را پردازش کنند، امکان دارد فرآیند درمان را به تعویق بیندازد. بنابراین شبکه های عصبی کانولوشنال ابزارهای قدرتمندی هستند که به محققان اجازه می دهند مدلهای هوش مصنوعی را برپایه مخازن بزرگی از تصاویر آموزش دهند تا عکس ها را شناسایی و دسته بندی کنند. بدین سان شبکه های مذکور می توانند ایجاد تمایز بین تصاویر را بیاموزند. شبکه های عصبی کانولوشنال همینطور ظرفیت انتقال یادگیری را دارند. ازاین رو محققان می توانند از مدلهای آموزش دیده برای انجام یک فعالیت جدید مانند یک پروژه مرتبط باردیگر استفاده نمایند. هرچند ردیابی حیوانات استتار شده و دسته بندی تومورهای مغزی شامل دو نوع دسته بندی متمایز عکس است، اما محققان این پژوهش اعتقاد دارند بین حیوانی که در طبیعت استتار کرده و گروهی از سلول های سرطانی که با بافت سالم اطراف ترکیب می شوند، شباهتی وجود دارد. فرایند تعمیم محتوای آموخته شده یا به عبارتی گروه بندی موارد مختلف در یک زیر مجموعه ماهیتی، برای درک این که چگونه یک شبکه می تواند اشیا استتار شده را تشخیص دهد، ضروری می باشد. چنین آموزشی می تواند بخصوص برای تشخیص تومور مفید باشد. در این راستا محققان در پژوهش جدید از داده های ام آر آی حوزه عمومی، چگونگی آموزش مدل شبکه های عصبی برپایه داده های تصویربرداری سرطان مغز را بررسی کردند. همینطور آنها یک مرحله یادگیری انتقال تشخیص حیوانات استتار منحصر به فرد را برای بهبود مهارت های تشخیص تومور شبکه ها معرفی کردند. محققان متوجه شدند این شبکه ها تقریبا در ردیابی تصاویر مغزی نرمال ایده آل هستند و فقط یک تا ۲ اشتباه دارند. این مدلها قادر به تمایز بین سلول های سالم و سرطانی بودند. اولین شبکه عصبی ابداعی دقت ۸۵.۹۹ درصدی در ردیابی سرطان مغز داشت و دقت شبکه ای دیگر ۸۳.۸۵ درصد بود. شبکه عصبی مذکور بعد از این تحقیقات، می تواند تصاویری تولید نماید که مناطق خاصی را در طبقه بندی تومور مثبت یا منفی خود نشان داده است. این امر به رادیولوژیست ها این امکان را می دهد تا تصمیمات خویش را با تصمیم های شبکه تأیید کنند.
این مطلب آجاک را پسندیدید؟
(0)
(0)
تازه ترینهای مرتبط
نظرات بینندگان در این باره