40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 تشخیص نواقص مادرزادی با هوش مصنوعی بر اساس تصاویر سونوگرافی

تشخیص نواقص مادرزادی با هوش مصنوعی بر اساس تصاویر سونوگرافی

الگوریتم جدید هوش مصنوعی می‌تواند با استفاده از دیتاست‌هایی متشکل از تصاویر سونوگرافی، بیماری کیستیک هیگروما را که یک اختلال رشدی نادر است، در سه‌ماهه اول بارداری تشخیص دهد. پژوهش جدید دانشکده پزشکی اتاوا، به سرپرستی مارک واکر، برای اولین بار یک مدل منحصربه‌فرد هوش مصنوعی ساخته‌اند که به عنوان ابزار کمکی برای خوانش سریع و دقیق تصاویر سونوگرافی استفاده می‌شود و به‌نوعی تشخیص نواقص مادرزادی با هوش مصنوعی انجام می‌گیرد.

این پژوهش گامی نوآورانه است؛ چون علی‌رغم کاربرد گسترده‌‌ای که در تفسیر تصاویر پزشکی و تشخیص‌گذاری دارند، نقش مدل‌های یادگیری عمیق در تصاویر سونوگرافی مامایی (جنینی) به‌ندرت مورد بررسی قرار گرفته است. تا به حال، تعداد انگشت‌شماری پژوهش به این موضوع پرداخته‌اند.

پژوهشگران قصد داشتند پتانسیل معماری‌های یادگیری عمیق را در پشتیبانی از تشخیص زودهنگام و دقیق کیستیک هیگروما بر اساس تصاویر سونوگرافی جنین در سه‌ماهه اول بارداری نشان دهند؛ اختلال کیستیک هیگروما جلوی رشد عادی سیستم لنفاوی را می‌گیرد. این اختلال نادر که می‌تواند موجب مرگ هم شود، به تجمع و تورم مایعات اطراف سر و گردن می‌انجامد.

این اختلال مادرزادی را معمولاً به‌راحتی می‌توان پیش از تولد، از طریق تصاویر سونوگرافی، تشخیص داد؛ اما دکتر واکر و همکارانش تصمیم گرفتند نقش هوش مصنوعی در این مسئله را نیز مورد آزمایش قرار دهند و تشخیص نواقص مادرزادی با هوش مصنوعی را به اجرا درآورند. یافته‌های به‌دست‌آمده امیدوارکننده بودند.

تشخیص نواقص مادرزادی با هوش مصنوعی

تشخیص سایر ناهنجاری‌های جنینی با دیتاست‌

مدل DenseNet روی دیتاست بیمارستان اتاوا و تصاویر سونوگرافی جنینی متشکل از حدود 300 تصویر، آموزش دید و سپس، برای تشخیص موارد ابتلا به کیستیک هیگروما در مقایسه با موارد کنترل (سالم) به کار رفت و به‌نوعی ناهنجاری‌های جنینی با دیتاست‌ مورد آزمایش قرار گرفت. در این آزمایش، معیارهایی از قبیل میزان حساسیت و دقت مدل، ارزیابی شدند. نگاشت‌های حرارتی گرادیانی فعالسازی طبقات (که پیکسل‌های موجود را به تصویر در می‌آورند) برای سنجش قابلیت تفسیرپذیری مدل تولید شدند. دقت کلی مدل در سطح 93 درصد بود.

دکتر واکر توضیح می‌دهد: «با اینکه تعداد تصاویر سونوگرافی آموزشی در دیتاست بیمارستان اوتاوا زیاد نبودند، اما مدل عملکرد خارق‌العاده‌ای از خود نشان داد. حالا می‌توانیم بگوییم که در حوزه سونوگرافی نیز می‌توان از ابزارهایی دقیق و حساس برای طبقه‌بندی و شناسایی تصویر استفاده کرد.» مقاله‌ مذکور با رویکرد تشخیص نواقص مادرزادی با هوش مصنوعی به‌تازگی در ژورنال PLOS ONE به چاپ رسیده است.

پژوهشگران امیدوارند که این پروژه مسیر را برای تحقیقات آینده هموار کند و معتقدند با گسترش ابعاد کار، برای مثال استفاده از دیتاست بزرگ‌تر، این رویکرد را می‌توان در تشخیص سایر ناهنجاری‌های جنینی با دیتاست و بر اساس تصاویر سونوگرافی نیز به کار برد.

طبق گفته دکتر واکر، پژوهشگران قصد دارند با تشکیل یک کنسرسیوم بین‌المللی، تشخیص نواقص مادرزادی با هوش مصنوعی را به این صورت گسترش دهند که تصاویر سونوگرافی مامایی از اقصی‌نقاط دنیا را در فضای ابری به اشتراک بگذارند. این فناوری در امر تفسیر و تشخیص‌ به پزشکان کشورهای محروم کمک می‌کند.

دکتر واکر، با اشاره به این نکته که گروه‌شان به‌زودی چندین مقاله دیگر هم منتشر خواهد کرد، می‌گوید که این پروژه نویدبخش اقدامات و پژوهش‌هایی گسترده در آینده است.

اخبار هوشیو

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]