هوش مصنوعی و یادگیری ماشین در اپتیک زیست پزشکی

یادگیری ماشین هوش مصنوعی در اپتیک زیست پزشکی

روش های هوش مصنوعی (AI) ، از جمله یادگیری ماشین (ML) و یادگیری عمیق (DL) ، به سرعت در حال تکامل هستند و طیف وسیعی از تلاش های علمی را تحت تأثیر قرار می دهند. اپتیک زیست پزشکی نیز از این قاعده مستثنی نیست و روش های هوش مصنوعی در حال حاضر تقریباً هر روز در حال تغییر رشته ما هستند. از تغییر روش های اکتساب داده ها 1،2 و روش های بازسازی تصویر ، 3 تا تقسیم بندی و تفسیر تصاویر نوری ، 4 روش هوش مصنوعی راه حل های بهبود یافته ای را برای مشکلات ایجاد شده ارائه می دهند و امکان حل مشکلات جدید را فراهم می کند.

نور ساختار یافته را می توان با روش های هوش مصنوعی برای بررسی و تفسیر برهمکنش نور با بافت های بیولوژیکی ترکیب کرد. به عنوان مثال ، پیوند روش های هوش مصنوعی با سیستم های فراطیفی و چند طیفی می تواند تشخیص امضای مولکولی خاصی در بافت ، سلول ها و سیالات زیستی را امکان پذیر کند. آمار تصویر با ابعاد بالا و نگاشت های پیچیده که استراتژی های تصمیم گیری بهینه را برای انواع استنباط های مرتبط با علوم پایه و کاربردهای بالینی توصیف می کند.

تقویت روش های نوری پیشرفته با هوش مصنوعی ، ترجمه بالینی فناوری های جدید حسگر و تصویربرداری نوری را امکان پذیر می کند. تصویربرداری نوری بدون برچسب ، مانند بافت شناسی رامان تحریک شده ، تصویربرداری فرا طیفی و شبکه های عصبی کانولوشنال (CNN) ، با موفقیت برای تشخیص خودکار تومور مغزی در حین عمل با تشخیص در زمان واقعی به کار گرفته شده است. مانند تصویربرداری منسجم پراکندگی ضد استوکس رامان ، کولونوسکوپی نوری و تصویربرداری مادام العمر فلورسانس در تشخیص افتراقی سرطان ریه ، 9 سرطان روده بزرگ ، 10 و نئوپلازی گردن رحم ، به ترتیب 11 موثر بوده است. یکی دیگر از عوامل تغییر دهنده بازی با استفاده از هوش مصنوعی ، استفاده از روش های DL برای رنگ آمیزی محاسباتی تصاویر نوری بدون برچسب است که منجر به بافت شناسی دیجیتالی می شود. 12-14

در تصمیم گیری های بالینی ، که در آن دقت و زمان بندی می تواند حیاتی باشد ، از تصویربرداری حوزه فرکانسی فضایی همراه با ML برای پیش بینی شدت جراحات سوختگی استفاده شده است. 16 غربالگری سرطان پوست 17 و درماتیت آتوپیک. 18 میلی لیتر همراه با رویکردهای مهندسی در حال ظهور به عنوان پایه اصلی در بازجویی بافت ، سلولها و مایعات زیستی در روشهای طیف سنجی تبدیل شده است. نمونه هایی از این کاربردها از راهنمایی های جراحی مغز و اعصاب با استفاده از طیف سنجی خود به خود رامان برای تشخیص سرطان 19 تا تشخیص انواع تهاجمی سرطان پروستات در آسیب شناسی با استفاده از میکرو طیف سنجی رامان. 20

ادغام تصویربرداری توموگرافی انسجام نوری (OCT) با AI فرصتی منحصر به فرد برای تجزیه و تحلیل این اطلاعات و کمک به تصمیم گیری های بالینی در زمینه چشم پزشکی با کاربردهای تصویربرداری شبکیه ، 21 گلوکوم 22 و دژنراسیون ماکولا مرتبط با سن است. 23

اخیراً ، روش های هوش مصنوعی برای انواع وظایف مربوط به تشخیص و مدیریت COVID-19.24-226 ارزشمند هستند. ترکیب هوش مصنوعی با دستگاه تنفس نوری ممکن است یک آزمایش سریع و دقیق برای COVID-19 ایجاد کند ، که در حال حاضر فاقد آن است. مورد نیاز

این سری ویژه JBO ، تحقیقات دیرهنگامی را که استفاده از هوش مصنوعی را در کاربردهای بیوفوتونیک ، با تأکید بر رویکردهای ML و DL توصیف می کند ، گردآوری می کند. این سری نقش مهمی را که روشهای ML و DL در تسریع توسعه فناوریهای نوآورانه بیوفوتونیک ایفا می کنند ، برجسته می کند. این مجموعه به موقع انجام می شود ، زیرا تعداد فزاینده ای از جامعه علمی اپتیک زیست پزشکی شروع به مقابله با چالش های متعدد مرتبط با اتخاذ مسئولانه روش های هوش مصنوعی می کنند. مسائلی مانند استحکام ، قابلیت اطمینان و قابلیت تفسیر تا حد زیادی بدون رسیدگی باقی مانده است اما برای استقرار ایمن و موثر سیستم های تصویربرداری و سنجش بیوفوتونیک با هوش مصنوعی بسیار مهم است.