به گزارش خبرگزاری مهر به نقل از فیز، رادیولوژیست ها به تازگی استفاده از مدل های بینایی رایانشی مبتنی بر هوش مصنوعی برای تسریع فرایند پرزحمت تجزیه اسکن های پزشکی را آغاز کرده اند. با این وجود مدل های 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 گروهی از محققان بین المللی به رهبری آلان یویل از دانشگاه جان هاپکینز بلومبرگ یک راه حل 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 سراسر جهان 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 طور دستی برای شناسایی و برچسب زنی ارگان ها به طور 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 کردن 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 بیش 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 روش حیاتی ترین بخش های مدل های پیش بینی برای بررسی انسانی توسط رادیولوژیست ها را شناسایی می کند.

با تکرار این فرایند یعنی استفاده از قابلیت پیش بینی هوش مصنوعی و بررسی انسانی، فرایند 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 خود را بدون افزایش حجم فعالیت رادیولوژیست ها گسترش دهند و در نتیجه مجموعه داده اندام شکمی گردآوری شد. آن‌ها به اضافه کردن اسکن‌ها، اندام‌ها و تومورهای واقعی و مصنوعی بیشتر ادامه می‌دهند 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.