به گزارش ایسنا، به گفته گروه محققان دانشگاه کاردیف و بیمارستان دانشگاه ولز (UHW)، هنگامی که این سیستم با سایر سیستم‌های هوش مصنوعی ترکیب شود، به بهبود عملکرد تشخیصی تا ۱.۵درصد و همسوسازی بیشتر رفتار ماشین با قضاوت متخصص انسانی کمک می‌کند.

به نقل از آی‌ای، یافته‌های آنها می‌تواند از تصمیم‌گیری در تشخیص توسط رادیولوژیست‌ها پشتیبانی کند و پذیرش هوش مصنوعی پزشکی را برای کمک به رفع برخی از چالش‌های پیش رو افزایش دهد.

دکتر ریچارد وایت، رادیولوژیست مشاور در بیمارستان دانشگاه ولز و سرپرست بالینی این مطالعه، می‌گوید: رایانه‌ها در شناسایی آسیب‌هایی مانند ندول‌های ریه بر اساس شکل و بافت آنها بسیار خوب عمل می‌کنند. با این حال، دانش محل بررسی در مطالعات تصویربرداری، بخش کلیدی آموزش رادیولوژی را تشکیل می‌دهد و زمینه‌های بررسی خاصی وجود دارد که همیشه باید ارزیابی شوند.

هدف این تحقیق، گرد هم آوردن این دو جنبه است تا ببینیم آیا رایانه‌ها می‌توانند رادیوگرافی‌های قفسه سینه را بیشتر شبیه یک رادیولوژیست آموزش‌دیده ارزیابی کنند یا خیر. این چیزی است که تحقیقات هوش مصنوعی رادیولوژی قبلا فاقد آن بوده و گامی کلیدی در بهبود اعتماد به هوش مصنوعی و قابلیت‌های تشخیصی رایانه‌ها است.

این گروه بزرگترین و قابل اعتمادترین مجموعه داده برجستگی بصری برای رادیوگرافی قفسه سینه تا به امروز را بر اساس بیش از ۱۰۰ هزار حرکت چشم از ۱۳ رادیولوژیست که کمتر از ۲۰۰ رادیوگرافی قفسه سینه را بررسی کرده‌اند، ایجاد کرده است.

از این برای آموزش یک مدل هوش مصنوعی جدید به نام CXRSalNet، استفاده شد تا به آن در پیش‌بینی مناطقی در رادیوگرافی که به احتمال زیاد برای تشخیص مهم هستند، کمک کند.

پروفسور هانتائو لیو، محقق اصلی این مطالعه از دانشکده علوم رایانه و انفورماتیک دانشگاه کاردیف، افزود: سیستم‌های هوش مصنوعی فعلی فاقد توانایی توضیح چگونگی یا چرایی تصمیم‌گیری هستند. چیزی که در مراقبت‌های بهداشتی بسیار مهم است.

در همین حال، رادیولوژیست‌ها سال‌ها تجربه و مهارت‌های ادراکی ظریف را به هر تصویری که بررسی می‌کنند، می‌آورند. این مطالعه نشان می‌دهد که چگونه رادیولوژیست‌های باتجربه به طور طبیعی توجه خود را بر بخش‌های مهم رادیوگرافی قفسه سینه متمرکز می‌کنند. ما از این داده‌های ردیابی چشم برای «آموزش» هوش مصنوعی برای شناسایی ویژگی‌های مهم در رادیوگرافی قفسه سینه استفاده کردیم. با تقلید از جایی که رادیولوژیست‌ها هنگام تشخیص به آن نگاه می‌کنند، می‌توانیم به سیستم‌های هوش مصنوعی کمک کنیم تا تصاویر را بیشتر شبیه یک متخصص انسانی تفسیر کنند.

طبق سرشماری سال ۲۰۲۴ توسط کالج سلطنتی رادیولوژیست‌ها، ولز ۳۲ درصد کمبود رادیولوژیست مشاور دارد و این رقم برای بریتانیا ۲۹ درصد است.

در همین حال، تقاضا برای تصویربرداری به طور قابل توجهی در حال افزایش است. دکتر وایت توضیح می‌دهد: مشکلات مشابهی در بسیاری از نقاط جهان وجود دارد. اگر بتوانیم راه‌حل‌هایی مانند این را در عمل پیاده‌سازی کنیم، این پتانسیل را دارد که گردش کار رادیولوژی را به طور قابل توجهی افزایش داده و تأخیر در مراقبت را به دلیل گزارش‌های معوق به حداقل برساند.

این گروه قصد دارد رویکرد خود را برای بررسی چگونگی تطبیق این فناوری با آموزش پزشکی و ابزارهای پشتیبانی تصمیم‌گیری بالینی، توسعه دهد تا به رادیولوژیست‌ها در تشخیص سریع‌تر و دقیق‌تر کمک کند.

پروفسور لیو افزود: تمرکز فعلی ما گسترش این رویکرد برای کار در سایر روش‌های تصویربرداری مانند سی‌تی‌اسکن و ام‌آرآی است. به طور خاص، ما علاقه‌مند به استفاده از این روش برای تشخیص سرطان هستیم، جایی که شناسایی زودهنگام نشانه‌های بصری ظریف بسیار مهم و اغلب برای خوانندگان انسانی و ماشین‌ها چالش برانگیز است.

انتهای پیام