فیس بوک و NYU از هوش مصنوعی برای انجام سریع‌تر اسکن MRI استفاده می‌کنند

منتشرشده در مجله The Verge به تاریخ ۱۸ آگوست ۲۰۲۰
لینک مطلب اصلی:Facebook and NYU use artificial intelligence to make MRI scans four times faster

اگر تا به حال اسکن MRI انجام داده باشید، می‌دانید که این تجربه چقدر ناراحت‌کننده است. شما در یک لوله قرار می‌گیرید که به شدت ترس از مکان‌های بسته (کلاستروفوبیا) را تحریک می‌کند و از شما خواسته می‌شود که تا یک ساعت کاملا بی‌حرکت بمانید در حالی که اطراف شما پر از صدای وزوز، صدای خر خر و تالاپ و تولوپ غیر قابل دیدن سخت‌افزارهایی است که مانند یک روح سرگردان پزشکی در اطراف شما وجود دارند. با این حال تحقیقات جدید نشان می‌دهد که هوش مصنوعی می‌تواند با انجام چهاربرابر سریع‌تر اسکن MRI، زمان حضور بیماران در این لوله را کاهش دهد.

این کار یک پروژه مشترک به نام FastMRI بین تیم تحقیقاتی هوش مصنوعی فیس بوک (FAIR) و متخصصان رادیولوژی در موسسه سلامت لانگون دانشگاه نیویورک است. دانشمندان با هم یک مدل یادگیری ماشینی را بر روی جفت اسکن‌های MRI با وضوح پایین و وضوح بالا آموزش دادند و از این مدل برای «پیش‌بینی» تصویر نهایی اسکن‌های MRI تنها با یک چهارم داده‌های ورودی معمول، استفاده کردند. این به آن معنی است که اسکن‌ها می‌توانند سریع‌تر انجام شوند و این یعنی بیماران دچار دردسر کمتری شده و تشخیص‌ها نیز سریع‌تر انجام خواهند شد.

نفیسه یاکوبوا، یک محقق بازدید کننده از موسسه تحقیقات اورژانس پزشکی که بر روی این پروژه کار کرده‌است، می‌گوید: «این یک گام مهم در ترکیب هوش مصنوعی با تصویربرداری پزشکی است.»

دلیل اینکه از هوش مصنوعی می توان برای ایجاد اسکن‌های یک‌سان از داده‌های کم‌تر استفاده کرد این است که شبکه عصبی اساسا با بررسی داده‌های آموزشی، یک ایده انتزاعی از این که یک اسکن پزشکی به چه شکل خواهد بود را یاد گرفته‌است. سپس از آن برای پیش‌بینی خروجی نهایی استفاده می‌کند. به آن مثل یک معمار فکر کنید که در طول سال‌ها تعداد زیادی بانک طراحی کرده‌است. آن‌ها یک ایده انتزاعی از این که یک بانک چه شکلی است دارند، بنابراین می‌توانند سریع‌تر طرح اولیه نهایی را تهیه کنند.

دن سودیکسون، استاد رادیولوژی در موسسه بهداشت NYU لانگون، به The Verge می‌گوید: «شبکه عصبی ساختار کلی تصویر پزشکی را می‌داند. در برخی موارد کاری که ما انجام می‌دهیم کامل کردن بخش‌هایی است که درباره اسکن این بیمار خاص منحصر به فرد است».

تیم fastMRI سال‌ها بر روی این مشکل کار کرده‌است، اما امروز آن‌ها یک مطالعه بالینی در مجله آمریکایی روتنگولوژی منتشر کردند، که به گفته آن‌ها قابلیت اعتماد روش‌شان را ثابت می‌کند. این مطالعه از رادیولوژیست‌ها خواست تا براساس اسکن‌های MRI سنتی و اسکن‌های پیشرفته هوش مصنوعی زانوی بیماران، تشخیص خود را انجام دهند. این مطالعه گزارش می‌دهد که وقتی پزشکان با اسکن سنتی و اسکن هوش مصنوعی مواجه شدند، دقیقا یک ارزیابی یکسان داشتند.

سودیکسون می‌گوید: «کلمه کلیدی که در اینجا می‌توان بر اساس آن اعتماد کرد،‌ تغییرپذیری است. ما به برخی معیارهای کمی براساس کیفیت تصویر نگاه نمی‌کنیم. ما می‌گوییم که رادیولوژیست‌ها تشخیص مشابهی می‌دهند. آن‌ها مشکلات مشابهی پیدا می‌کنند. و چیزی را از قلم نمی‌اندازند.»

این مفهوم بسیار مهم است. اگرچه مدل‌های یادگیری ماشین اغلب برای ایجاد داده‌های با تفکیک پذیری (رزولوشن) بالا از ورودی با تفکیک پذیری پایین استفاده می‌شوند، این فرآیند اغلب می‌تواند خطا را معرفی کند. به عنوان مثال، هوش مصنوعی می‌تواند برای بالا بردن کیفیت تصاویر بازی‌های ویدیویی قدیمی با رزولوشن پایین استفاده شود، اما انسان‌ها باید خروجی را بررسی کنند تا مطمئن شوند که با ورودی مطابقت دارد. و بدیهی است که ایده «ایجاد تصویر» نادرست از اسکن MRI توسط هوش مصنوعی نگران‌کننده است.

با این حال، تیم fastMRI می‌گوید این مساله با روش آن‌ها مشکلی ندارد. برای شروع، داده‌های ورودی مورد استفاده برای ایجاد اسکن هوش مصنوعی به طور کامل ناحیه هدف بدن را پوشش می‌دهند. مدل یادگیری ماشین تنها با چند قطعه پازل حدس نمی‌زند که یک اسکن نهایی چه شکلی خواهد بود. تمام قطعاتی که نیاز دارد را دارد، فقط با قدرت تفکیک (رزولوشن) پایین‌تر. سپس، دانشمندان یک سیستم بررسی برای شبکه عصبی براساس فیزیک اسکن‌های MRI ایجاد کردند. این بدان معنی است که در فواصل منظم در طول ایجاد اسکن، سیستم هوش مصنوعی بررسی می‌کند که داده‌های خروجی آن با آنچه که از نظر فیزیکی برای یک دستگاه MRI ممکن است، مطابقت داشته باشد.

سودیکسون می‌گوید: «ما به شبکه اجازه ایجاد هر تصویر دلخواهی را نمی‌دهیم. الزام ما این است که هر تصویری که از طریق فرآیند ایجاد می‌شود باید به صورت فیزیکی به عنوان یک تصویر MRI قابل تحقق باشد. ما به نوعی فضای جستجو را محدود می‌کنیم تا مطمئن شویم که همه چیز با فیزیک MRI سازگار است.»

یاکوبووا می‌گوید که این بینش خاص بود که پس از بحث‌های طولانی میان رادیولوژیست‌ها و مهندسان هوش مصنوعی حاصل شد که موفقیت پروژه را ممکن ساخت. او می‌گوید: «تجربه مکمل کلید ایجاد راه‌حل‌هایی مانند این است.»

با این حال، گام بعدی، رساندن فن‌آوری به بیمارستان است؛ جایی که این فناوری می‌تواند واقعا به بیماران کمک کند. تیم fastMRI مطمئن است که این اتفاق ممکن است به سرعت و شاید فقط در عرض چند سال رخ دهد. داده‌های آموزشی و مدلی که آن‌ها ایجاد کرده‌اند کاملا در دسترس عموم هستند و می‌توانند بدون استفاده از سخت‌افزار جدید در اسکنرهای MRI موجود گنجانده شوند. سودیکسون می‌گوید که محققان در حال حاضر در حال مذاکره با شرکت‌هایی هستند که این اسکنرها را تولید می‌کنند.

کارین شموالی، که ریاست تیم تحقیقاتی MRI در کالج دانشگاهی لندن را بر عهده دارد و در این تحقیق شرکت نداشته است، گفت که این یک گام کلیدی برای پیشرفت است.

شموالی می‌گوید: «تنگنایی که در وارد کردن چیزی از تحقیقات به بیمارستان وجود دارد، معمولا اتخاذ مسئولیت و اجرا توسط تولیدکنندگان است.» او اضافه کرد که کاری مانند fastMRI بخشی از یک روند گسترده‌تر همراه با هوش مصنوعی در تصویربرداری پزشکی بود که بسیار امیدوار کننده بود. او می‌گوید: هوش مصنوعی قطعا در آینده بیشتر مورد استفاده قرار خواهد گرفت.

این متن با استفاده از ربات ترجمه مقاله علمی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.