هوش مصنوعی چگونه خطاهای رادیولوژی را کاهش می‌دهد؟

به گزارش خبرگزاری سلامت، دکتر فریبرز فائقی ضمن گرامیداشت هشتم نوامبر مصادف با 17 آبان ماه و روز جهانی رادیولوژی، رادیولوژی و تصویربرداری پزشکی را یک رشته‌ کاربردی و هیجان انگیز در میان رشته‌های مختلف علوم پزشکی توصیف کرد.

وی تیم رادیولوژی و تصویربرداری پزشکی را متشکل از رادیولوژیست، رزیدنت، کارشناس و فیزیست تصویربرداری پزشکی عنوان کرد و گفت: این افراد در قالب یک مجموعه واحد برای تشخیص سریع، دقیق و زودهنگام بیماری‌ها و همچنین بررسی و پایش پاسخ به درمان بیمار فعالیت می کنند.

دکتر فائقی رادیولوژی و تصویربرداری پزشکی را تلفیقی از علم، دانش، تخصص، فناوری و هنر تلفیق و به‌کارگیری اصولی این موارد برای تشخیص بیماری‌ها دانست و یادآور شد: به دلیل نقش ویژه این رشته در تشخیص بیماریهای مختلف به آن " چشم عالم پزشکی "نیز گفته می شود.

مدیر گروه تکنولوژی پرتوشناسی دانشگاه با اشاره به گسترش کاربرد هوش مصنوعی در زندگی بشری و علوم و تخصص‌های مختلف گفت: در علوم پزشکی از جمله رادیولوژی و تصویربرداری پزشکی شاهد گسترش کاربرد هوش مصنوعی در حوزه‌های تشخیص، آموزش، پژوهش و درمان هستیم.

به گفته وی ورود هوش مصنوعی باعث ایجاد تحولی شگرف در امر آموزش و یادگیری رادیولوژی بالینی، پایه و علوم تصویربرداری پزشکی شده است.

دکتر فریبرز قائقی به طراحی و ارایه اپلیکیشن‌های آموزشی با استفاده از فناوری هوش مصنوعی اشاره کرد و افزود: این موضوع باعث ایجاد بستر مناسبی برای ارایه آموزش‌های تعاملی(interactive)، سازگاریافته با شرایط خاص، کسب تجارب یادگیری موثر در زمینه‌های مختلف علمی و پیچیده آموزش علوم پایه و بالینی به فراگیران شده است.

این دکترای تخصصی فیزیک پزشکی، یادگیری ارتقا یافته با فناوری را یکی از موارد بسیار مهمی برشمرد که امروزه در دنیا و ایران مورد توجه قرار دارد.

به گفته این استاد دانشگاه با اپلیکیشن‌ها و پلتفرم‌های مذکور بستر مناسبی برای آموزش مفاهیم پیچیده بالینی و افزایش مهارت پزشکان و دستیاران در حوزه تشخیص ضایعات با استفاده از تصاویر فراهم می‌شود. از دیدگاه فناوری تصویربرداری پزشکی نیز می‌تواند مهارت‌های تخصصی مورد نیاز برای تهیه تصاویر با کیفیت بالا و متناسب با نیاز بالینی و شرایط هر بیمار را به تکنولوژیست‌ها ودانشجویان این رشته آموزش دهد.

دکتر فائقی استفاده از واقعیت مجازی یا Virtual learning برای یادگیری و آموزش را از دیگر ابزاری عنوان کرد که با شبیه‌سازی شرایط بالینی توانسته امکان یادگیری موثر فراگیران را بدون ایجاد ریسک برای بیمار فراهم کند و یادآور شد: اغلب اپلیکیشنها از قابلیت طراحی و انجام آزمون بر روی مخاطبان و ارایه نمره و فیدبک به فراگیران برخوردار هستند.

وی با اشاره به نقش AI یا همان هوش مصنوعی در تشخیص و افزایش سرعت و دقت آن در حوزه رادیولوژی گفت: از کاربردهای اصلی هوش مصنوعی در رادیولوژی می‌توان به تمرکز بر ارتقای تحلیل تصاویر، تشخیص دقیق‌تر ضایعات، کمی سازی داده‌های تصویری و ارتقای مهارت تفسیر داده‌های پیچیده تصویری اشاره کرد.

مدیر گروه تکنولوژی پرتوشناسی دانشگاه با توجه به وجود الگوریتم‌های هوش مصنوعی در تفسیر تصاویر پزشکی افزود: از یادگیری عمیق یا Deep learning نیز می‌توان برای تفسیر تصاویر رادیوگرافی CT Scan و MRI استفاده کرد.

وی خاطرنشان کرد: شبکه‌های عصبی کانولوشنال یا CNN نیز از توانایی بالایی در تشخیص ضایعات پاتولوژیک ریه(نظیرپنومونی)، شکستگی‌ها، توده‌ها و سرطان‌های ریه برخوردار هستند و استفاده از این الگوریتم‌ها باعث افزایش دقت و سرعت تشخیص ضایعات و بیماری‌ها با استفاده از تصاویر پزشکی می‌شود.

به گفته وی شبکه عصبی کانولوشنال یا CNN، شبکه عصبی قدرتمند و پرکاربرد در یادگیری عمیق است که برای پردازش داده‌های شبکه‌ای (Grid-Structured Data) مانند تصاویر به کار می‌رود.

دکتر فائقی نقش موثر AI در افزایش دقت و سرعت تشخیص ضایعات را یادآور شد و گفت: الگوریتم‌های هوش مصنوعی تغییرات ایجاد شده در پارامترها و مشخصه‌های تصویری را به صورت سرنخها و راهنماهای نشانه گذاری تشخیص داده و توجه رادیولوژیست‌ و پزشک را به سمت نواحی مشکوک بدن بیمار جلب کرده و باعث تسریع شناسایی و تشخیص ضایعات می‌شوند.

این دکتری تخصصی فیزیک پزشکی خاطرنشان کرد: هوش مصنوعی با انجام محاسبات و اندازه گیری‌های کمی نظیر سایز، حجم و سرعت رشد تومور می‌تواند روند پیشرفت بیماری یا پاسخ به درمان بیماران را پایش و ارزیابی کند.

وی از دیگر کاربردهای هوش مصنوعی به استخراج و نمایش تغییرات پارامترهای همودینامیکی حاصل از آزمایشات پرفیوژن سی تی و MR مغز اشاره کرد و آزمایشات پرفیوژن را یک آزمایش تصویربرداری تشخیصی غیر تهاجمی برشمرد که برای ارزیابی جریان خون در مغز استفاده می‌شود.

دکتر فائقی افزود: با استفاده از یافته‌های این آزمایش می‌توان ضمن مشخص کردن ناحیه ایسکمی یا اینفارکت مغزی از نظر محل، اندازه و سرعت رشد با دقت بالا، مناسب ترین روش درمان را تعیین کرد و به بررسی و ارزیابی پاسخ بیمارمبتلا به ایسکمی حاد مغزی به درمان پرداخت.

مدیر گروه تکنولوژی پرتوشناسی هوش مصنوعی یا AI را باعث تسریع تحقیقات و متدولوژی های جدید در پژوهش‌های تصویربرداری و رادیولوژی عنوان کرد.

به گفته وی هوش مصنوعی به کشف و شناسایی بیومارکرهای تصویربرداری یا نشانگرهای قابل اندازه گیری برای تشخیص بیماری یا روند رشد آن کمک می‌کنند.

دکتر فائقی خاطرنشان کرد: الگوهای بسیار کوچک در تصاویر MRI که با چشم انسان قابل رویت نیستند را از طریق الگوها و مدلهای یادگیری ماشین می توان شناسایی کرد و از آنها برای تشخیص بیماری کمک گرفت که تحقیقات آلزایمر و بیماری‌های خودایمنی و MS نمونه هایی از این تحقیقات هستند.

وی با بیان این که هوش مصنوعی امکان کار بر روی داده های بزرگ یا Big Data و تجزیه و تحلیل سریعتر آنها را فراهم می سازد گفت: داده های تصویربرداری نمونه ای از این داده های بزرگ به شمار می روند. تجزیه و تحلیل و انطباق این داده‌ها با شرایط بالینی و شرح حال بیمار از جمله کاربردهای هوش مصنوعی در پیش بینی و تعیین پیش آگهی بیماری براساس تجزیه و تحلیل داده های تصویری است.

وی با اشاره به تاثیر AI بر بهبود و کیفیت تصاویر و ارایه جزییات دقیقتر گفت: هوش مصنوعی با استفاده ازتکنیک‌ها و الگوریتم‌های پیشرفته می‌تواند باعث تولید تصاویر واضحتر با جزییات بیشتر و دقیقتر شود و این امر افزایش دقت و کیفیت تشخیصی تصاویر پزشکی را به دنبال دارد.