هوش مصنوعی: الگوریتم ها تجزیه و تحلیل تصویر پزشکی را بهبود می بخشند

تکنیک های تصویربرداری نقش کلیدی در تشخیص سرطان دارند. تعیین دقیق محل، اندازه و نوع تومور برای انتخاب درمان مناسب ضروری است. مهمترین تکنیک های تصویربرداری شامل توموگرافی انتشار پوزیترون (PET) و توموگرافی کامپیوتری (CT) است. PET از رادیونوکلئیدها برای تجسم فرآیندهای متابولیک در بدن استفاده می کند. میزان متابولیک تومورهای بدخیم به طور قابل توجهی بیشتر از بافت های خوش خیم است. برای این منظور از گلوکز نشاندار شده رادیواکتیو، معمولاً فلوئور-18-دئوکسی گلوکز (FDG) استفاده می شود. در سی تی اسکن، بدن لایه به لایه در یک لوله اشعه ایکس اسکن می شود تا آناتومی را تجسم کند و تومورها را محلی کند.

اتوماسیون می تواند باعث صرفه جویی در زمان و بهبود ارزیابی شود

بیماران سرطانی گاهی اوقات صدها ضایعه دارند، یعنی تغییرات پاتولوژیک ناشی از رشد تومورها. برای به دست آوردن یک تصویر یکنواخت، لازم است همه ضایعات ثبت شوند. پزشکان اندازه ضایعات تومور را با علامت گذاری دستی تصاویر برش 2 بعدی تعیین می کنند - کاری بسیار وقت گیر. پروفسور راینر استیفلهاگن، رئیس آزمایشگاه بینایی کامپیوتر برای تعامل انسان و کامپیوتر (cv:hci) در KIT توضیح می دهد: «ارزیابی خودکار با استفاده از یک الگوریتم باعث صرفه جویی در زمان و بهبود نتایج می شود».

Rainer Stiefelhagen و Zdravko Marinov، دانشجوی دکترا در cv:hci، در مسابقه بین المللی autoPET در سال 2022 شرکت کردند و از بین 27 تیم شامل 359 شرکت کننده از سراسر جهان، پنجم شدند. محققان کارلسروهه تیمی را با پروفسور ینس کلیزیک و لارس هایلیگر از IKIM مستقر در اسن - موسسه هوش مصنوعی در پزشکی تشکیل دادند. AutoPET توسط بیمارستان دانشگاه توبینگن و بیمارستان LMU مونیخ سازماندهی شد، تصویربرداری و یادگیری ماشین را با هم ترکیب کرد. وظیفه این بود که به طور خودکار ضایعات تومور فعال متابولیکی که روی یک PET/CT کل بدن مشاهده می شد، بخش بندی شوند. برای آموزش الگوریتم، تیم های شرکت کننده به مجموعه داده های PET/CT بزرگ مشروح شده دسترسی داشتند. تمامی الگوریتم های ارسالی برای مرحله نهایی مسابقه بر اساس روش های یادگیری عمیق است. این نوعی از یادگیری ماشینی است که از شبکه های عصبی مصنوعی چند لایه برای تشخیص الگوهای پیچیده و همبستگی در مقادیر زیادی داده استفاده می کند. هفت تیم برتر مسابقه autoPET اکنون در مورد امکان تجزیه و تحلیل خودکار داده های تصویر پزشکی در هوش ماشین طبیعت مجله

مجموعه الگوریتم Excels در تشخیص ضایعات تومور

همانطور که محققان در انتشار خود توضیح می دهند، مجموعه ای از الگوریتم های دارای رتبه برتر برتری خود را نسبت به الگوریتم های فردی نشان دادند. مجموعه الگوریتم ها قادرند ضایعات تومور را به طور موثر و دقیق تشخیص دهند. "در حالی که عملکرد الگوریتم ها در ارزیابی داده های تصویر تا حدی به کمیت و کیفیت داده ها بستگی دارد، طراحی الگوریتم عامل مهم دیگری است، به عنوان مثال با توجه به تصمیمات اتخاذ شده در پس پردازش تقسیم بندی پیش بینی شده." استیفلهاگن توضیح می دهد. تحقیقات بیشتری برای بهبود الگوریتم ها و مقاوم تر ساختن آن ها در برابر تأثیرات خارجی مورد نیاز است تا بتوان از آنها در عمل بالینی روزمره استفاده کرد. هدف این است که به طور کامل تجزیه و تحلیل داده های تصویر PET و CT پزشکی در آینده نزدیک را خودکار کند.