هوش مصنوعی در عمل تصویربرداری پزشکی: نگاه به آینده

هوش مصنوعی (AI) به عنوان مخل ترین فناوری خدمات بهداشتی در قرن 21 اعلام می شود. بسیاری از مقالات تفسیری منتشر شده در عموم مردم و حوزه های بهداشت تشخیص می دهند که تصویربرداری پزشکی در خط مقدم این تغییرات است به دلیل ردپای بزرگ داده های دیجیتال ما. رادیومیکس در حال تبدیل تصاویر پزشکی به داده های با ابعاد بالا با قابلیت استخراج برای بهینه سازی تصمیم گیری بالینی است. با این حال ، برخی معتقدند که هوش مصنوعی می تواند با کنترل و تعادل اخلاقی بسیار کمی در محل کار نفوذ کند.   در این مقاله تفسیری ، ما چگونگی شروع هوش مصنوعی برای تغییر خدمات تصویربرداری پزشکی و نوآوری هایی را که در افق هستند ، شرح می دهیم. ما درمورد چگونگی به چالش کشیدن هوش مصنوعی و اشکال مختلف آن ، از جمله یادگیری ماشین ، نحوه ارائه تصویربرداری پزشکی از گردش کار ، دستیابی به تصویر ، ثبت تصویر تا تفسیر را به چالش می کشیم. رادیوگرافی های تشخیصی باید در کنار "همکاران مجازی" ما کار کنند و ما معتقدیم که تغییرات مهمی در برنامه درسی و برنامه های پیشرفته همراه با توانایی های حرفه ای ملی وجود دارد تا اطمینان حاصل شود که ابزارهای یادگیری ماشین در ایمن ترین و م mostثرترین روش برای ما استفاده می شود بیماران.

برای بسیاری از ما ، درک ما از هوش مصنوعی (AI) با قرار گرفتن در معرض رسانه های فیلم و تلویزیون شکل می گیرد. برای بچه های بومر ، این ممکن است ربات طعنه دار و طعنه آمیز Lost in Space and for Generation Xs 'باشد ، سبک زندگی کهکشانی جتسون ها به ما گفت که آینده چگونه خواهد بود. هزاره ها در معرض مگابیم ، The Terminator قرار گرفته اند و از قبل در دنیای رسانه های اجتماعی تحت تأثیر الگوریتم ها زندگی می کنند. مدت هاست که به نظر می رسد ما می دانیم که هوش فناوری های مبتنی بر رایانه مصنوعی (غیر انسانی) در حال پیشروی ما است. همراه با انفجار گفتمان حرفه ای مربوط به هوش مصنوعی در تصویربرداری پزشکی طی 5 سال گذشته ، در سال 2019 ، Price Waterhouse Coopers هزینه های بی سابقه ای را در 10 سال آینده برای فناوری های AI اعلام کرده است. 1 یادگیری ماشین (ML) به دنیای کار ما رسیده است و پزشکان پرتوی پزشکی صندلی جلو را روی این باند واگن دارند.

اذعان گسترده ای وجود دارد که هوش مصنوعی بخش مراقبت های بهداشتی را تغییر می دهد ، به ویژه تشخیص در زمینه تصویربرداری پزشکی. 2 ، 3 با ترکیب رادیومیک از تصاویر پزشکی با سایر موارد ، پیشرفت بیشتر به پیشرفت های هدایت شده توسط AI در پیشگیری ، دقت و مدیریت در افق است. فرم های داده مانند ژنومیک ، پروتئومیکس و جمعیت شناسی. در تصویربرداری پزشکی ، ما شاهد اجرای ابزارهای هوش مصنوعی هستیم که در سطح محلی برای کاهش کارهای تکرار شونده و تکراری مانند تجزیه و تحلیل تصاویر پزشکی معرفی شده اند .2 همانطور که سیستم های اطلاعاتی ما در توانایی خود برای جمع آوری داده های بزرگ رشد می کنند ، بنابراین مجال ساخت نیز دارد. هوش مصنوعی در مناطقی مانند پردازش زبان طبیعی (NLP).

یادگیری ماشینی (ML) به سیستمی گفته می شود که توانایی "بهبود" و "یادگیری" را دارد تا الگوهای ویژگی های بیماری مانند ظهور سرطان های پستان در ماموگرافی و همچنین تجزیه و تحلیل ویژگی های بافت اطراف را تشخیص دهد. 4 بسیاری از AI به کمک ابزارهای تشخیصی برای تشخیص سرطان که در سال های اخیر به کار رفته است ، پیشرفت ویژه ای را نشان داده است ، به ویژه در مناطقی مانند غربالگری ماموگرافی ، غربالگری سرطان ریه و تصاویر هیستوپاتولوژیک پستان. مطالعات انجام شده بر روی هوش مصنوعی برای آسیب شناسی ریه 5 ، 6 و تشخیص سرطان پستان 7 ، نمرات حساسیت و ویژگی های قابل مقایسه ای را برای ابزارهای AI ثبت کرده اند ، یا به عنوان خوانندگان مستقل یا وقتی که با امتیازات رادیولوژیست ها ترکیب شوند. در استرالیا ، محققان از دانشگاه سیدنی توانایی هوش مصنوعی را در دسته بندی تصاویر هیستوپاتولوژیک پستان به عنوان خوش خیم یا بدخیم با دستیابی به دقت 98.77٪ ایجاد کرده و آزمایش کرده اند .8 در واقع برای تصویربرداری پزشکی ، چالش تشخیصی فراتر رفتن از مجموعه آزمایش غربالگری و استفاده از الگوریتم ها برای در نظر گرفتن تغییرات در ویژگی های بیمار ، بروز بیماری و شدت آن. در حال حاضر سرمایه گذاری در زمینه ارزیابی شخصی ارزیابی خطر سرطان و غربالگری سرطان پستان از طریق مدل های یادگیری عمیق در حال انجام است ، نویسندگان این مقاله در حال حاضر بودجه ای را از شورای تحقیقات ملی پزشکی و بهداشت (NHMRC) برای چنین پروژه هوش مصنوعی دریافت می کنند.

اگرچه تفسیر تصویر در زمینه تصویربرداری پزشکی در مواردی که هوش مصنوعی 4-7 مورد استفاده قرار گرفته است ، به خوبی تحقیق شده است ، اخیراً هوش مصنوعی در سایر زمینه های عملی مانند بی صدا سازی تصویر پزشکی ، کاهش دوز ، تجزیه خودکار ، تریاژ مورد و بازسازی تصویر نیز به کار گرفته شده است. طول مسیرهای AI در تصویربرداری پزشکی در شکل 1 نشان داده شده است. نمونه ای از این عمل در مطالعه ای توسط Wolterink و همکاران نشان داده شده است ، جایی که از AI برای تخمین تصاویر توموگرافی رایانه ای با دوز معمول (CT) از CT با دوز پایین استفاده شده است. تصاویر 9 در حالی که وانگ و همکاران 10 ابزاری مبتنی بر هوش مصنوعی برای تخمین تصاویر توموگرافی انتشار پوزیترون با دوز کامل با کیفیت بالا (PET) از تصاویر با دوز پایین ارائه داده اند. استفاده از این ابزارهای هوش مصنوعی در نهایت می تواند منجر به کاهش در معرض تابش شود و در عین حال کیفیت بالای من حفظ شود