AmirReza Masoumi
AmirReza Masoumi
خواندن ۲ دقیقه·۲ سال پیش

استفاده از هوش مصنوعی برای تشخیص نقص مادرزادی در تصاویر سونوگرافی

یک تیم تحقیقاتی در دانشکده پزشکی دانشگاه اتاوا از هوش مصنوعی مبتنی بر مدل یادگیری عمیق برای مطالعه ی دقیق و سریع تصاویر سونوگرافی جنین استفاده کرد.

هدف از مطالعه این تیم نشان دادن پتانسیل معماری یادگیری عمیق برای پشتیبانی از شناسایی اولیه و قابل اعتماد هیگرومای کیستیک از اسکن سونوگرافی سه ماهه اول بود.

هیگرومای کیستیک - یا لنفانژیوم - یک نقص مادرزادی است که به صورت یک ساختار کیسه مانند با یک دیواره نازک ظاهر می شود که بیشتر در ناحیه سر و گردن نوزاد رخ می دهد, هیگرومای کیستیک یک بیماری جنینی است که باعث می شود سیستم عروقی لنفاوی به طور غیر طبیعی رشد کند.

این یک اختلال نادر و تهدید کننده زندگی است که منجر به تورم مایع در اطراف سر و گردن جنین می شود.

نقص مادرزادی معمولاً می تواند به راحتی در دوران بارداری در طول جلسات سونوگرافی تشخیص داده شود اما دکتر واکر - یکی از بنیانگذاران گروه تحقیقاتی OMNI (تحقیقات زنان و زایمان، مادران و نوزادان) در بیمارستان اتاوا - و گروه تحقیقاتی او می خواستند آزمایش کنند که تشخیص الگو مبتنی بر هوش مصنوعی با چه دقتی می تواند این کار را انجام دهد.

دکتر واکر در این باره می گوید:“آنچه که ما نشان دادیم این بود که در زمینه سونوگرافی می‌توانیم از ابزارهای مشابه برای طبقه‌بندی و شناسایی تصاویر با حساسیت و ویژگی بالا استفاده کنیم.”

او معتقد است این کار را می توان برای سایر ناهنجاری های جنینی که عموماً توسط سونوگرافی شناسایی می شوند، نیز اعمال کرد.

این کار یک کار دنباله‌دار است زیرا اگرچه مدل‌های یادگیری عمیق در تفسیر تصاویر پزشکی و تشخیص اختلالات به طور فزاینده‌ای محبوب شده‌اند، اما فهمیدن اینکه چگونه کاربرد آن در سونوگرافی زنان و زایمان می‌تواند کار کند در مراحل اولیه خود است. مطالعات کمی با قابلیت هوش مصنوعی در این زمینه منتشر شده است. اما یافته‌ها (مانند همین مطالعه) امیدوارکننده هستند.

برای این مطالعه مجموعه ی داده ای نزدیک به 300 سونوگرافی جنین استفاده شده که از گذشته در بیمارستان اتاوا جمع آوری شده بود.

تصاویر با مدل DenseNet) DenseNet نوعی شبکه عصبی کانولوشن (CNN) است که از اتصالات متراکم بین لایه ها استفاده می کند.) برای تشخیص صحیح هیگرومای کیستیک تجزیه و تحلیل شده اند و دقت کلی مدل 93 درصد بود.

دکتر واکر می گوید:”مدل فوق العاده بود، حتی با تعداد کمی از تصاویر آموزشی, بنابراین، به طور بالقوه، آنچه ما نشان دادیم این بود که در زمینه تصاویر سونوگرافی می‌توانیم از ابزارهای مشابه برای طبقه‌بندی و شناسایی تصویر با حساسیت و ویژگی بالا استفاده کنیم.”


امیدوارم این مطلب برای شما مفید بوده باشد. با اشتراک گذاری آن با دوستان و ... خود مشوق محتواهای بیشتر از این دست باشید همچنین خوشحال میشم من رو در شبکه های اجتماعی اینستاگرام و لینکدین دنبال کنید.

منبع مطلب مقاله ی تحقیقاتی دانشگاه اتاوا

هوش مصنوعییادگیری عمیقبیوانفورماتیکسونوگرافی جنینیادگیری ماشین
مدیر فنی سابق نوبتی , درگیر با هوش مصنوعی و مدلهای زبانی بزرگ و ...
شاید از این پست‌ها خوشتان بیاید