چرا هوش مصنوعی برای تصویربرداری پزشکی امیدوارکننده است؟
یکی از تعریف‌های هوش مصنوعی «علم ساخت ماشین‌ها برای انجام کارهایی است که می‌توان آنها را زمانی که توسط انسان انجام می‌شد هوشمند در نظر گرفت»، اگرچه «هوش» خود را می‌توان اصطلاحی با تعریف ضعیف در نظر گرفت [41]. برنامه های کاربردی هوش مصنوعی به طور فزاینده ای برای حل مشکلات در مراقبت های بهداشتی و پزشکی مورد استفاده قرار می گیرند، همانطور که با افزایش تعداد مطالعات با استفاده از کلمات کلیدی مانند "هوش مصنوعی" یا مراجع روش شناختی "یادگیری ماشینی" (ML) و "یادگیری عمیق" (DL) نشان داده شده است. 16]. اولی به توسعه مدل هایی اشاره دارد که در آن متغیرهای ورودی از پیش تعریف شده اند، به عنوان مثال. استفاده از متغیرهای بالینی، تست استرس و تصویربرداری برای پیش‌بینی حوادث نامطلوب قلبی (MACE) [8]. نوع دوم یادگیری مبتنی بر کشف ذاتی ویژگی‌های مهم در یک مجموعه مدل چندلایه است، به عنوان مثال. استفاده از تصاویر اکوکاردیوگرافی برای طبقه بندی نمای [37].
هدف محققان هوش مصنوعی توسعه و آموزش مدل های خودآموز است. این مدل‌ها شناسایی روابط پیچیده بین یک ورودی داده شده و نتیجه متناظر نمونه‌های متعدد را دنبال می‌کنند. همانطور که قبلا اشاره شد، تعریف هوش مصنوعی بین متخصصان متفاوت است، اما همه آنها به اجرای یک ویژگی مشخص انسانی در مدل ها اشاره می کنند: بهره برداری از تجربه قبلی برای افزایش دانش در مورد نحوه انجام یک کار به منظور افزایش تصمیم گیری در آینده. 55].
مفهوم استفاده از هوش مصنوعی در تصویربرداری پزشکی به دلایل متعددی جذاب است. اول از همه، آشکار می‌شود که مجموعه داده‌های تصویری داده‌های بسیار مفیدتری نسبت به آنچه که یک انسان معمولاً می‌تواند پردازش کند، در خود جای داده است. ثانیاً، کارهای ساده، مانند ترسیم خطوط و اندازه‌گیری‌های بعدی، می‌توانند توسط رایانه‌ها به طور مداوم، بدون وقفه و چندین برابر سریع‌تر از انسان انجام شوند. اگرچه توسعه مدل‌های مفید ML زمان می‌برد، اما فرض بر این است که پیاده‌سازی هوش مصنوعی پزشکان را قادر می‌سازد تا کارآمدتر کار کنند [9، 15].
برای تصویربرداری پزشکی، هوش مصنوعی بر تمام مراحل زنجیره تصویربرداری تأثیر می گذارد (شکل 1). اولین قدم، پشتیبانی تصمیم برای انتخاب روش تصویربرداری تشخیصی مناسب است. در حال حاضر، مراقبت های بهداشتی به طور مداوم به سمت تصمیم گیری مبتنی بر شواهد و استفاده از دستورالعمل ها پیش می رود. ابزارهای پشتیبانی تصمیم گیری مبتنی بر هوش مصنوعی می توانند در انتخاب مناسب ترین تست تصویربرداری برای بیماران فردی کمک کنند. علاوه بر این، فروشندگان در حال حاضر اولین محصولات تجاری را می فروشند که ML را در طول معاینه یک بیمار پیاده سازی می کنند [24، 37]. پس از اکتساب، هوش مصنوعی در بازسازی تصویر (مانند استفاده از توموگرافی کامپیوتری با دوز پایین، CT، برای به دست آوردن بازسازی آناتومیکی بهینه [72])، تفسیر و تشخیص تصویر (مثلاً تشخیص انفارکتوس میوکارد به کمک کامپیوتر، MI، در اکوکاردیوگرافی [72]) اجرا می‌شود. 60]). مرحله نهایی در زنجیره تصویربرداری، شناسایی اطلاعات پیش آگهی و پیش بینی مربوطه از تصویربرداری قلبی است (به عنوان مثال پیش بینی پیامد نامطلوب در بیماران مبتلا به فشار خون ریوی [17]).