بزرگترین مخزن داده سی تی اسکن برای ردیابی سریع سرطان
به گزارش بست روید، 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 بست روید به نقل از فیز، رادیولوژیست ها اخیرا استفاده از مدلهای بینایی رایانشی مبتنی بر هوش مصنوعی برای تسریع فرآیند پرزحمت تجزیه اسکن های پزشکی را شروع کرده 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 پژوهشگران بین المللی به رهبری آلان یویل از دانشگاه جان هاپکینز بلومبرگ یک چاره 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 در ارتباط با ۱۴۵ بیمارستان سراسر دنیا را دربر می گیرد. این مخزن ۳۶ بار بزرگتر از رقیب خود به نام TotalSegmentator V۲ است.
مخزن های اعضای شکمی پیشین توسط رادیولوژیست ها به صورت دستی برای شناسایی و برچسب زنی ارگان ها به صورت 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 مرتفع ساختن 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 آن که تکمیل آن توسط انسان ها و بدون کمک الگوریتم ها بیشتر 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 پیشبینی کنند. آنها از نقشه های کدگذاری شده با رنگ برای مشخص کردن مناطقی که احتیاج به بهینه سازی دارد، استفاده کردند. این شیوه حیاتی ترین بخش های مدلهای پیشبینی جهت بررسی انسانی توسط رادیولوژیست ها را شناسایی می کند.
با تکرار این فرآیند یعنی استفاده از قابلیت پیشبینی هوش مصنوعی و بررسی انسانی، فرآیند 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 محققان کمک کرد تا گستره، مقیاس و دقت مخزن خویش را 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 بیماری ها و حتی ایجاد دوقلوهای دیجیتالی از بیماران واقعی کمک کنند.
این مطلب بست روید چطور بود؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات کاربران در مورد این مطلب بست روید