بزرگترین مخزن داده سی تی اسکن برای ردیابی سریع سرطان
به گزارش آجاک، محققان بزرگترین مخزن داده از سی تی اسکن های شکمی را بوجود آورده اند که فرآیند تفسیر عکس ها را تسریع و به ردیابی سریع سرطان کمک می نماید.
به گزارش آجاک به نقل از فیز، رادیولوژیست ها بتازگی استفاده از مدلهای بینایی رایانشی مبتنی بر هوش مصنوعی برای تسریع پروسه پرزحمت تجزیه اسکن های پزشکی را آغاز نموده اند. با این وجود مدلهای مذکور نیازمند مقادیر کلانی از داده های آموزشی هستند که با دقت برچسب زده شده اند تا به نتایجی هماهنگ و دقیق دست یابند.
به عبارت دیگر رادیولوژیست ها باید مدت زمان زیادی را صرف تفسیر تصاویر پزشکی کنند.
در همین راستا تعدادی از محققان بین المللی به رهبری آلان یویل از دانشگاه جان هاپکینز بلومبرگ یک راهکار نوین یافته اند که «اطلس شکم» ( AbdomenAtlas) نام دارد. این بزرگترین مخزن داده سی تی اسکن شکمی تا به امروز است که ۴۵ هزار سی تی اسکن ۳ بعدی از ۱۴۲ ساختار آناتومیکی تفسیر شده مربوط به ۱۴۵ بیمارستان سرتاسر جهان را دربر می گیرد. این مخزن ۳۶ بار بزرگتر از رقیب خود به نام TotalSegmentator V۲ است.
مخزن های اعضاء شکمی پیشین توسط رادیولوژیست ها بطور دستی برای شناسایی و برچسب زنی ارگان ها بطور مجزا در سی تی اسکن ها جمع آوری شده بودند که نیازمند هزاران ساعت کار بود. اما تفسیر ۴۵ هزار سی تی اسکن با ۶ میلیون شکل آناتومیکی توسط انسان نیازمند زمانی بسیار طولانی است.
محققان برای برطرف نمودن این چالش از الگوریتم های هوش مصنوعی برای تسریع برچسب زنی ارگان استفاده کردند. ۱۲ کارشناس رادیولوژیست و کارآموزان پزشکی این مخزن را در کمتر از ۲ سال تکمیل کردند. حال آنکه تکمیل آن توسط انسان ها و بدون کمک الگوریتم ها بالاتر از ۲ هزار سال طول می کشید.
محققان برای این منظور ۳ مدل هوش مصنوعی را با مخازن داده عمومی که اسکن های شکمی در آنها برچسب زده شده بود، آموزش دادند تا تفسیرها برای مجموعه داده های برچسب زده نشده را پیش بینی کنند. آنها از نقشه های کدگذاری شده با رنگ برای مشخص کردن مناطقی که نیاز به بهینه سازی دارد، استفاده کردند. این تکنیک حیاتی ترین بخش های مدلهای پیش بینی جهت بررسی انسانی توسط رادیولوژیست ها را شناسایی می کند.
با تکرار این پروسه یعنی استفاده از قابلیت پیش بینی هوش مصنوعی و بررسی انسانی، پروسه تفسیر سی تی اسکن ها به میزان قابل توجهی تسریع شد، به طوریکه سرعت تفسیر نویسی برای تومورها ۱۰ برابر و برای اندام ها ۵۰۰ برابر شد.
این روش به پژوهشگران کمک کرد تا گستره، مقیاس و دقت مخزن خودرا بدون افزایش حجم فعالیت رادیولوژیست ها گسترش دهند و در نتیجه مجموعه داده اندام شکمی گردآوری شد. آنها به اضافه کردن اسکن ها، اندام ها و تومورهای واقعی و مصنوعی بیشتر ادامه می دهند تا به آموزش مدلهای جدید و موجود هوش مصنوعی برای شناسایی تومورهای سرطانی، تشخیص بیماریها و حتی ایجاد دوقلوهای دیجیتالی از بیماران واقعی کمک کنند.
منبع: آجاك
این مطلب آجاک را پسندیدید؟
(0)
(0)
تازه ترینهای مرتبط
نظرات بینندگان در این باره