ش | ی | د | س | چ | پ | ج |
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
طیف گسترده ای از رویه ها نیاز به ارزیابی خودکار دارد
مانند متخصص گوارش از ارلانگن، پزشکان مختلف از انجمن SPECTARIS برای نشان دادن امکانات و محدودیت های کنونی تشخیص بیوفوتونیکی استفاده کردند. واضح است که تعداد مراحل به میزان قابل توجهی افزایش خواهد یافت. با توموگرافی انسجام نوری، میکروسکوپ تصویربرداری مادام العمر فلورسانس (FLIM)، طیفسنجی رامان، تصویربرداری رامان و طیفسنجی ضد استوک منسجم رامان (CARS)، روشهای جدید مختلفی راه خود را به بازار باز کردهاند. حتی روش های اپتو آکوستیک برای تشخیص های غیر تهاجمی در حال انجام شدن هستند.
این تنوع هم نعمت است و هم لعنت. در آینده، سطح کاملاً جدیدی از پیشگیری می تواند امکان پذیر باشد اگر رویکردهای چندوجهی در عمل معرفی شوند. بیماران می توانند طی یک معاینه تحت طیف وسیعی از روش های تشخیصی نوری قرار گیرند. اگر یافته ها مشکوک باشند، بافت جهش یافته می تواند بلافاصله قبل از تشکیل متاستاز برداشته شود. داده های تصویری بیماران سالم می تواند به عنوان داده های مرجع برای هر تشخیص بعدی استفاده شود. اگر قرار است این دید به واقعیت تبدیل شود، پزشکان در هنگام ارزیابی تصاویر به کمک بیشتری نیاز دارند. اگر سیستم های یادگیری بتوانند با استفاده از مقادیر زیادی از داده های واقعی بیمار آموزش ببینند، تشخیص خودکار امکان پذیر خواهد بود. آنها می توانند یاد بگیرند که بافت را به طور سیستماتیک حتی برای کوچکترین تغییرات اسکن کنند و با مقایسه آنها با پیشرفت بیماری در بیماران قبلی، این تغییرات را ارزیابی کنند. با این حال، انجمن در برلین نشان داد که این امر به سختی امکان پذیر است. از این گذشته، داده های تصویری از موقعیت های بالینی واقعی در دسترس نیست و نمی توان پایگاه داده ای از این نوع را به دلایل حفظ حریم خصوصی داده ها راه اندازی کرد. تشخیص خودکار فوتونیک 4.0 باید راههای دیگری برای آموزش نرمافزار پیدا کند تا بین بافت بیمار و سالم تمایز قائل شود.