شواهد مربوط به هوش مصنوعی در تصویربرداری پزشکی

نهمت حسامی ، استاد بهداشت عمومی و بنیاد ملی تحقیقات بنیاد سرطان پستان ، عضو هیئت علمی رهبری در دانشکده پزشکی و بهداشت دانشگاه سیدنی

نهمت حسامی یک پزشک ، محقق ، پزشک بهداشت عمومی و استاد بهداشت عمومی در دانشگاه سیدنی است که وی یک برنامه تحقیقاتی سرطان پستان را رهبری می کند. وی ریاست گروه هوش مصنوعی دانشگاه در مراقبت از سرطان را بر عهده دارد ، به عنوان سردبیر مجله The Breast خدمت می کند ، و بنیانگذار ملی تحقیقات سرطان بنیاد ملی سرطان پستان است.

در تصویربرداری پزشکی SPIE ، 15-19 فوریه ، حسامی یک سخنرانی اصلی در مورد استفاده از هوش مصنوعی در عمل بالینی با استفاده از غربالگری ماموگرافی به عنوان نمونه ارائه می دهد.

چه چیزی باعث علاقه شما به غربالگری / درمان سرطان پستان شد؟

من بیش از آنکه در تحقیقات تحقیق داشته باشم به عنوان پزشک پستان کار کرده ام. من حدود 30 سال است که در زمینه تشخیص پستان کار می کنم. به طور طبیعی ، بیماران من الهام بخش مداوم من برای جستجوی راه هایی برای بهبود تشخیص و درمان به موقع هستند ، به همین دلیل شروع به تحقیق در این زمینه کردم. من همچنین به عنوان یک پزشک بهداشت عمومی آموزش دیده ام ، سلامتی جمعیت را شامل می شود ، که برنامه های غربالگری سرطان برای آنها یک استراتژی مهم است. تحقیقات من بیشتر بر روی غربالگری سرطان پستان - به ویژه ارزیابی فن آوری های جدید و چگونگی تأثیر آزمایشات بر نتایج بالینی - متمرکز با کار بالینی من متمرکز شده است.

سخنرانی عمومی شما بر روی هوش مصنوعی برای ماموگرافی متمرکز خواهد شد. چگونه هوش مصنوعی می تواند ماموگرافی / تصویربرداری پزشکی را تقویت کند؟

این سوال - و مسئله چالش برانگیز است. هوش مصنوعی برای ماموگرافی قطعاً می تواند تفسیر را پشتیبانی و تقویت کند و می تواند غربالگری پستان را کارآمدتر و بالقوه موثرتر کند. با این حال ، این یک زمینه در حال ظهور است بنابراین ما همچنین باید آگاه باشیم که کارهای بیشتری برای بدست آوردن شواهد با کیفیت بالاتر در مورد چگونگی استفاده از هوش مصنوعی برای بهبود تشخیص و مراقبت از بیماران و همچنین تشخیص اینکه ممکن است وجود داشته باشد ، وجود دارد. عواقب مضر یا منفی (یا حتی پیش بینی نشده). من پیش بینی می کنم که هوش مصنوعی برای تفسیر تصویربرداری ، به ویژه برای غربالگری سرطان (محدود به سرطان پستان ، بلکه همچنین سرطان ریه و سرطان های مشابه) ، زمینه ای است که رشد سریع را تجربه خواهد کرد. کسانی که در حال توسعه هوش مصنوعی برای تصویربرداری هستند باید بدانند که گفتگو با ذینفعان مختلف - از جمله کاربران نهایی سیستم های هوش مصنوعی - باید زودهنگام آغاز شود تا اطمینان حاصل شود که کاربردهای هوش مصنوعی از کاربرد بالینی برخوردار است. هوش مصنوعی برای ماموگرافی می تواند به طور بالقوه خواننده انسان را تکمیل کند و سرطان های کوچکی را که چشم انسان از دست داده است ، انتخاب کند ، اما این تنها درصورت انجام برنامه های غربالگری سرطان است که به ازای ایجاد هشدارهای دروغین زیاد ایجاد نمی شود. آنچه که من امیدوارم که هوش مصنوعی بتواند به طور بالقوه برای بهبود تفسیر تصویربرداری پزشکی انجام دهد ، آموزش صحیح و برنامه ریزی شده برای تشخیص سرطان های بیولوژیک است. من فکر می کنم آنجاست که ممکن است واقعاً تغییر ایجاد کند. ما باید از سنجش منحنی های منطقه تحت منحنی (AUC) و ویژگی های عملیاتی گیرنده (ROC) ، به سمت اندازه گیری چگونگی قرار دادن AI در مسیر تصویربرداری معیارهای بالینی برویم.

برخی از چالش های پذیرش هوش مصنوعی در عمل پزشکی چیست؟

چالش های بسیاری وجود دارد و این موضوعی است که من در سخنرانی خود در مورد آن صحبت خواهم کرد. توسعه و تحقیقات هوش مصنوعی بیشتر متمرکز بر ارائه شواهدی از توانایی فنی و عملکردی است ، یعنی ارائه اقداماتی که نشان می دهد یک سیستم هوش مصنوعی می تواند وظیفه خاصی مانند دقت هوش مصنوعی را در تفسیر تصویر انجام دهد. اما آزمایشاتی که بطور خاص نتایج بالینی را گزارش می دهند - خصوصاً در مواردی که هوش مصنوعی در روند تصمیم گیری بالینی نقش دارد - قبل از استفاده در عمل معمول بالینی مورد نیاز خواهد بود. همچنین چالش های مربوط به زمینه خاص سیستم بهداشت و درمان وجود دارد ، مانند ایجاد بهترین مدل برای ادغام هوش مصنوعی ، و توسعه روش های نظارت و توضیح برای کاربران نهایی. قبل از اینکه هوش مصنوعی به طور کامل به مراقبت از بیمار تعبیه شده در سیستم بهداشتی ترجمه شود ، کارهای بیشتری باید در آن زمینه انجام شود.

چالش های دیگری نیز وجود دارد ، منحصر به هوش مصنوعی مراقبت های بهداشتی نیست ، اما به دلیل ماهیت شخصی مراقبت های بالینی ، مهم تر یا پیچیده تر می شوند: این موارد شامل حریم خصوصی داده ها و امنیت ، و ترکیبی کامل از پیامدهای اخلاقی ، قانونی و اجتماعی است ( ELSI) از هوش مصنوعی که باید به عنوان بخشی از روند ارزیابی و اجرای AI برای مراقبت های پزشکی بهتر ارزیابی شود.

هوش مصنوعی در تصویربرداری پزشکی