Filter by دسته‌ها
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
دوره
کارگاه
وبینار
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
وبینارها، کارگاره‌ها و دوره‌ها
 پیشتازی رادیولوژی در استفاده از هوش مصنوعی

پیشتازی رادیولوژی در استفاده از هوش مصنوعی

فرمانده ستاد مدیریت مقابله با بیماری کرونای استان تهران اظهار کرد: استفاده از هوش مصنوعی در رادیولوژی بسیار حائز اهمیت است.

دکتر زالی در ادامه گفت: تغییرات شگرف و عظیمی در حوزه رادیولوژی به انجام رسیده و در مرز‌های دانش، اقدامات شایسته‌ای صورت گرفته است. سبقت متخصصان حوزه رادیولوژی در حیطه پزشکی از راه دور  قابل ستایش است و امروز ما شاهد توسعه عدالت اجتماعی در بخش سلامت هستیم.

وی در ادامه خاطرنشان کرد که در حال حاضر به کار بردن هوش مصنوعی در رادیولوژی از اهمیت بسیار بالایی برخوردار است. خوشبختانه ما اکنون در هم شکستن انتزاعی صرف کار‌های تشخیصی در بخش رادیولوژی و علاوه بر این ورود به حوزه درمان را شاهد هستیم.

یکی از ویژگی‌های رادیولوژی که استفاده از هوش مصنوعی را برای آن میسر می‌کند، وجود مجموعه‌ بزرگی از داده‌ها است. در بخش خدمات سلامت منظور از داده، اطلاعات بیمارانی است که رادیوگرافی‌ها، سی‌تی اسکن و سونوگرافی آنها همه قابل دسترسی است. با مراجعه بیمار به بیمارستان، رادیوگرافی قفسه سینه یا ماموگرافی که در گذشته انجام داده است برای مقایسه کردن و اهداف تشخیصی و درمان، در اختیار رادیولوژیست قرار می‌گیرد. وجود داده‌های عینی، تصاویری که همیشه در دسترس است و سهولت جمع‌آوری داده و امکان استفاده از آن در پرونده‌‌های  پزشکی بیماران، باعث شده تا دانشمندان هوش مصنوعی به رادیولوژی توجه ویژه کنند.

هنگام بررسی نتایج یک تصویربرداری، هرچه متخصص اطلاعات بیشتری در رابطه با بیمار داشته باشد، می‌تواند تفسیر بهتری هم داشته باشد. به طور مثال اگر موقع بررسی رادیوگرافی قفسه‌ سینه، تنها به جای دانستن نام و سن بیمار، اطلاعات دیگری مشابه وضعیت سرفه، گلودرد و یا سابقه‌ پنومونی او وجود داشته باشد، متخصص تفسیر تشخیصی متفاوتی را ارائه خواهد کرد. با این وجود پرونده‌های سوابق پزشکی اطلاعات پراکنده‌ بسیاری دارند و یافتن اطلاعات مرتبط در حالیکه دسترسی به آن ها راحت باشد، همیشه میسر نیست.

در این رابطه با استفاده از فناوری هوش مصنوعی می‌توان اطلاعات مربوطه و مورد نیاز را از پرونده پزشکی بیمار استخراج کرده و در اختیار رادیولوژیست قرار داد. با اتخاذ این روش شاهد صرفه‌جویی زیادی در زمان متخصص و دقت بیشتری در تفسیر نتایج توسط او، خواهیم بود.

همچنین استفاده از هوش مصنوعی، می‌تواند در شناسایی و هشدار وجود علائمی که ممکن است از نظر رادیولوژیست پنهان بمانند، کمک کند. مثلا در انجام تست سی‌تی اسکن سر برای بیماری که درگیر خون‌ریزی مغزی فعال است، ممکن است نتایج اولیه‌ اسکن سر بیمار، یافته‌ قابل‌توجهی را که نیازمند به اقدام فوری باشد، آشکار نکند. در این موارد هوش مصنوعی می‌تواند هشداری به عنوان تذکر به رادیولوژیست بدهد. این ویژگی هوش مصنوعی در زمان‌هایی که پزشک به علت تعدد بیمار و اسکن‌ها توان رسیدگی فوری به تمام موارد را ندارد، بسیار مورد استفاده است.

دکتر زالی در ادامه بیان کرد که متاسفانه گردش مالی ضعیف در بین رادیولوژیست‌های جوان از جمله چالش‌های صنفی این تخصص است و ما امیدواریم تا انجمن و دیگر سازمان‌های مربوط و مسئول نسبت به حل این مشکل اقدام کرده و این موضوع را رسیدگی کنند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.