به گزارش کارگروه فناوری اطلاعات سایبریان؛ ملانوما (Melanoma) نوعی سرطان پوست است که در سلول‌های معروف به ملانوسیت شروع می‌شود. سرطان به دلیل توانایی گسترش سریع‌تر در سایر اندام‌ها، در صورت عدم درمان زود هنگام، بسیار خطرناک است. این بیماری آنقدر کشنده است که مسئول 70 درصد از کل مرگ‌های ناشی از سرطان پوست در سراسر جهان به شمار می‌رود.
معمولاً پزشکان از ابزارهای بازرسی بینایی برای تشخیص ضایعات رنگی مشکوک (SPL) استفاده می‌کنند که این نشان دهنده سرطان پوست است. شناسایی اولیه این ضایعات می‌تواند به پیش‌بینی ملانوما کمک کند و هزینه‌های درمان را به میزان قابل توجهی کاهش دهد. با این حال، کار چالش‌برانگیز یافتن و اولویت‌بندی SPL ها است، زیرا حجم بالای ضایعات رنگی اغلب نیاز به ارزیابی نمونه‌برداری بالقوه دارد.
دانشمندان «MIT» به راه‌حلی برای مقابله با این مشکل دست یافته‌اند. آنها ابزار جدید هوش مصنوعی را برای شناسایی SPLها با استفاده از عکسبرداری گسترده ایجاد کرده‌اند.
برای توسعه این ابزار هوش مصنوعی جدید، دانشمندان از شبکه‌های عصبی کانولوشن عمیق (DCNN) برای شناسایی و آزمایش سریع ملانوم در مراحل اولیه استفاده کردند.
لوئیس سوئنکسن (Luis R. Soenksen)، فوق دکترا و متخصص تجهیزات پزشکی، که در حال حاضر به عنوان اولین سازنده «Venture» ام‌آی‌تی در حوزه هوش مصنوعی و بهداشت فعالیت می‌کند، گفت :
«تشخیص زودهنگام SPLها می‌تواند جان انسان‌ها را نجات دهد. با این حال، ظرفیت فعلی سیستم‌های پزشکی برای ارائه آزمایش‌های جامع پوستی در مقیاس هنوز وجود ندارد.»
دانشمندان با کمک هوش مصنوعی، سیستم را با استفاده از 20388 تصویر میدانی وسیع از 133 بیمار در بیمارستان «Gregorio Maranon» در مادرید، به همان اندازه تصاویر قابل دسترسی آزاد شده به‌وسیله دوربین‌های معمولی در دسترس آموزش دادند.
متخصصان پوست با همکاری دانشمندان، تصاویر را برای مقایسه بصری بررسی کردند و به این نتیجه رسیدند که این سیستم به 90.3 درصد حساسیت دست پیدا کرده است. همچنین سیستم نیازی به تصویربرداری ضایعات فردی دست و پا گیر و وقت‌گیر را ندارد.
متخصصان همراه با این ابزار هوش مصنوعی، روش جدیدی برای استخراج ضایعات داخلی بیمار (در مقایسه با ضایعات پوستی یک فرد) براساس ویژگی‌های شبکه‌های عصبی کانولوشن عمیق ضایعات شناسایی شده ایجاد کردند.
سوئنکسن اظهار داشت :
«تحقیقات ما نشان می‌دهد که سیستم‌ها با استفاده از بینایی رایانه و شبکه‌های عصبی عمیق و تعیین کمیت چنین علائم مشترکی، می‌توانند دقت قابل مقایسه را برای متخصصین پوست فراهم کنند. ما امیدواریم که تحقیقاتمان تمایل به ارائه آزمایشات بهتر پوستی در مراکز مراقبت‌های اولیه برای ارجاع کافی فراهم کند.»
