سیستم هوش مصنوعی خونریزی درون جمجمه ای را شناسایی می كند
این با من: یك گروه از پژوهشگران بخش رادیولوژی ˮبیمارستان عمومی ماساچوستˮ(MGH) با استفاده از هوش مصنوعی موفق به توسعه یك سیستم شده اند كه می تواند به سرعت خونریزی های مغزی را تشخیص دهد و این در شرایطی است كه این سیستم داده های خودرا تنها از یك مجموعه تصاویر نسبتا كوچك تهیه می كند.
به گزارش این با من به نقل از ایسنا و به نقل از مدیكال اكسپرس، چنین سیستمی می تواند یك ابزار ضروری برای بخش اورژانس بیمارستان ها باشد تا توسط آن بتوانند بیماران دارای علائم سكته مغزی خطرناك را ارزیابی و سریع درمان را آغاز كنند.
هم اكنون پژوهشگران در حال افزایش قدرت محاسباتی سیستم و دسترسی مجموعه داده های بزرگ به منظور بهبود عملكرد یادگیری ماشین هستند و این باز فرایندی است كه از راه آن كامپیوتر ها اطلاعات را تجزیه و تحلیل كرده و الگوها را شناسایی می كنند و اساسا می آموزند چگونه و بدون دخالت مستقیم یك برنامه نویس انسانی كارها را انجام دهند.
سیستم های تجزیه و تحلیل تصویر كه پیشتر توسعه یافته بودند، عملكردی همانند عملكرد یك پزشك داشتند و بیشتر از ۱۰۰ هزار تصویر درون آنها وارد شده بود. "سازمان غذا و دارو" آمریكا هر سیستم پشتیبانی برای نمایش اطلاعاتی كه كاربران را قادر می سازد تا دلایل یافته های خودرا بررسی نمایند حمایت می كند.
"هیوكوانگ لی"(Hyunkwang Lee) دانشجوی كارشناسی ارشد دانشكده مهندسی و علوم كاربردی هاروارد و یكی از دو نویسنده اصلی این مطالعه اظهار داشت: البته استفاده از واژه "اطلاعات كوچك" یا "قابل توصیف" كه برای توصیف یك مطالعه استفاده می شود، كمی تناقض آمیز است. با این وجود، در پزشكی، جمع آوری داده های با كیفیت بالا بسیار دشوار، گران و وقت گیر است.
" سیهو یون"(Sehyo Yune)، سرپرست بخش رادیولوژی "بیمارستان عمومی ماساچوست" می گوید: برخی از منتقدان معتقدند كه الگوریتم های یادگیری ماشین را نمی توان در عمل بالینی مورد استفاده قرار داد چونكه الگوریتم ها توجیهی برای تصمیم گیری های آنها نمایش نمی دهند.
ما متوجه شدیم كه برای تسهیل استفاده در مراقبت های بهداشتی یادگیری ماشین برای غلبه بر این دو چالش ضروری می باشد چونكه دارای پتانسیل بسیار بالایی برای بهبود كیفیت و دسترسی به مراقبت است.
در این مطالعه، پژوهشگران از ۹۰۴ سی تی اسكن سر افراد كه هر كدام حدودا شامل ۴۰ تصویر جداگانه بود و توسط یك تیم از پنج گروه عصب شناس "بیمارستان عمومی ماساچوست" برچسب گذاری شده بود برای آموزش این سیستم استفاده كردند.
برای ارتقای صحت این سیستم یادگیری عمیق، مراحلی را توسعه دادند كه همانند عصب شناسان تصاویر را تجزیه وتحلیل می كند. ارتقای این سیستم شامل تنظیم عواملی مانند "كنتراست" و روشنایی برای نشان دادن تفاوت های ظریف است تا دریابند آن چیزی كه از راه سی تی اسكن نمایش داده می شود، یك مشكل جدی است یا خیر.
یافته های این مطالعه در مجله "Nature Biomedical Engineering " منتشر گردید.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب