به گزارش کارگروه فناوری اطلاعات سایبربان؛ کارشناسان با سرویس بهداشت ملی (NHS) کار کردند تا بررسی کنند که چگونه هوش مصنوعی (AI) میتواند به رادیولوژیستها کمک کند تا به سرعت اسکنهای توموگرافی کامپیوتری (CT) را برای تشخیص سریعتر و بهبود نتایج بیمار مقایسه و ارزیابی کنند.
چالش
رادیولوژیستهای بیمارستان جورج الیوت «NHS Trust»، که به بیش از 300 هزار نفر در سرتاسر «Warwickshire»، «Leicestershire» و «Coventry» خدمات ارائه میدهد، روزانه حدود 60 اسکن انجام میدهند.
بسیاری از این موارد مربوط به سرطان هستند و در بیشتر موارد مقایسه با اسکن قبلی برای ارزیابی رشد ضایعه یا تغییرات شکل ضروری است. این تراز و مقایسه دستی کار فشرده است، اما هیچ ابزار اتوماسیون مناسبی وجود ندارد.
خودکارسازی این فرآیند و بهبود همترازی و پوشش اسکنها باعث میشود تغییرات جزئی در حجم یا ضایعات جدید سریعتر شناسایی شوند. این شامل گزارشی است که رادیولوژیستها را برای بررسی یا ارزیابی بیشتر مناطق خاص راهنمایی میکند.
دقت بیشتر با امکان تشخیص سریعتر ایمنی و نتایج را بهبود میبخشد و اتوماسیون موفقیتآمیز باعث صرفهجویی در وقت رادیولوژیستها میشود.
رویکرد
«Roke» تأمینکنندهای بود که از میان صنعت «Vivace» و جامعه دانشگاهی «Accelerated Capability Environment» (ACE) برای این کمیسیون انتخاب شد و یک اثبات مفهومی (POC) را تنها در 12 هفته ارائه کرد.
اثبات مفهوم از هوش مصنوعی برای پوشش خودکار تصاویر استفاده و عواملی مانند حرکت و تنفس و همچنین تغییرات ترکیب بدن، که اغلب در بیماران مشاهده میشود، را جبران میکند. این ابزار ناهنجاریهای بالقوه را در 3 بعدی محاسبه میکند و اجازه میدهد تغییرات حجمی در ضایعات یا ضایعات جدید به سرعت شناسایی شوند.
این روی دادههای سیتی اسکن ناشناس از 100 بیمار ارائه شده از سوی بیمارستان آموزش داده شد که همچنین شامل دادههای ماشینی در مورد موقعیت بخشی از بدن و زاویه اسکن بود.
Roke ابزار تجسم رابط کاربری گرافیکی (GUI) را با تقسیم کردن مشکل به 3 حوزه کلیدی که هم ترازی، برش بافت و تشخیص ناهنجاری را پوشش میدهد، توسعه داد که راک آن را جام مقدس نامید.
تأثیر
به عنوان بخشی از آزمایش اعتبارسنجی، ضایعات در 7 بیمار از 9 بیمار و در 10 از 17 تصویر با موفقیت شناسایی شد.
Roke همچنین یک رویکرد یادگیری عمیق دادههای پوشانده را توسعه داده که در مورد ترکیب بدن انسان آموزش دیده است، که آنچه را که فکر میکند باید هر ناحیه را تشکیل دهد، پر میکند. سپس میتوان آن را با اسکن واقعی مقایسه کرد، با تفاوت بین پیشبینی و واقعیت به شناسایی ضایعه و امتیاز دادن به درجه ناهنجاری کمک میکند.
