پرستو کردستانی مقدم در گفت‌وگو با ایسنا بیان کرد: امروزه تشخیص ناهنجاری‌های پستان با چالش‌های بسیاری همراه است که منجر به خطاهای پزشکی در خصوص ارائه تدابیر لازم جهت پیشبرد درمان‌ها شده است.

وی ادامه داد: مواردی همچون تراکم بالای بافت سینه در زنان با بافت سینه متراکم (Dense Breast)، ماموگرافی ممکن است دقت کافی نداشته باشد و توده‌های سرطانی در میان بافت متراکم پنهان شوند.

کردستانی مقدم اظهار کرد: همچنین سرطان سینه انواع مختلفی دارد که برخی از آن‌ها رشد کندی دارند و برخی دیگر تهاجمی هستند، این تنوع در بدخیمی‌های پستان با نماهای رادیولوژیکی متفاوت می‌تواند فرآیند تشخیص را دشوار کند.

استادیار دانشگاه علوم پزشکی لرستان در ادامه گفت: یکی از این تست‌های تشخیصی مهم که جهت غربالگری و تشخیص سرطان سینه قابل استناد است، ماموگرافی است ولی علی‌رغم قابل‌اعتماد بودن این روش، همچنان موانعی جهت تشخیص زودهنگام با استفاده از این روش وجود دارد که جهت تشخیص دقیق نیاز به انجام تست‌های تشخیصی دیگری همچون سونوگرافی و بیوپسی مطرح می‌شود که می‌تواند فرآیند تشخیص را زمان‌بر و هزینه‌بر کند.

وی یادآور شد: رشد روزافزون ابزارها و روش‌­های مبتنی بر هوش مصنوعی (AI) در حوزه‌­های مختلف سلامتی یکی از دستاوردهای عصر حاضر است و این دستاورد مهم، هم به‌عنوان فرصت و هم تهدید در دنیای پزشکی تلقی می­‌شود.

این استادیار دانشگاه علوم پزشکی لرستان اضافه کرد: استفاده بهینه و درست از هوش مصنوعی می­‌تواند تهدیدهای احتمالی را نیز به فرصتی ویژه تبدیل کند.

کردستانی مقدم افزود: یکی از حوزه‌­های مهم دنیای پزشکی، تفسیر یافته­‌های رادیولوژیک بیماران بالأخص بیمارانی که نیاز به تصمیم‌گیری بالینی بر اساس این نتایج دارند، است.

وی خاطرنشان کرد: الگوریتم‌های آنالیز تصویر مبتنی بر یادگیری ماشین و یادگیری عمیق یکی از مهم‌ترین بسترهای مناسب این حوزه هستند.

استادیار دانشگاه علوم پزشکی لرستان از طراحی، پیاده سازی و ارزیابی سامانه هوشمند تشخیص ناهنجاری‌ها در ماموگرافی با همکاری سهیل غلامی چگنی دانشجوی پرستاری و پژوهشگر هوش مصنوعی این دانشگاه خبر داد و بیان کرد: در این پروژه از الگوریتم­‌های هوش مصنوعی یادگیری ماشین(ML) و یادگیری عمیق (DL) به‌گونه‌ای استفاده شد که قادر به تفسیر نتایج ماموگرافی باشند.

وی افزود: این موضوع می‌تواند حساسیت لازم جهت افزایش دقت در تفسیر نتایج تست­‌های تشخیصی پزشکی را افزایش دهد. مطالعات گذشته به این نتایج دست یافته‌­اند که یادگیری عمیق و یادگیری ماشین می­‌تواند در پیشبرد شناسایی ناهنجاری‌­ها در ماموگرافی بسیار سودمند باشد و کمک شایانی را به کادر درمان داشته باشد.

کردستانی مقدم یادآور شد: در پروژه حاضر، تیم پژوهش پس از بررسی مطالعات انجام شده و بررسی نقاط ضعف و قوت این مطالعات، به طراحی یک روش بهینه دستیار هوش مصنوعی جهت تفسیر تصاویر ماموگرافی به‌منظور تشخیص ناهنجاری­ها پرداختند تا با استفاده از این ابزار مبتنی بر هوش مصنوعی در وقت پزشکان متخصص رادیولوژی صرفه‌جویی شده و به متخصصین جوان و کم‌تجربه رادیولوژی کمک کند تا به تشخیص دقیق­تر، سریع­تر و با اطمینان بالاتری دست پیدا کنند.

وی تصریح کرد: امید است با به‌کارگیری این سامانه هوشمند بتوان در شناسایی دقیق ناهنجاری­‌های ماموگرافی گام­ برداشت و نیاز به برخی تست‌های تشخیصی تکمیلی را نیز مرتفع کرد تا علاوه بر تصمیم بالینی سریع‌تر و بهتر، بار اقتصاد درمان و هزینه‌های ناشی از آزمون‌های تشخیصی متعدد و یا تشخیص دیرهنگام را به کمترین حد کاهش داد.

این استادیار دانشگاه علوم پزشکی لرستان گفت: سامانه مذکور آماده راه‌اندازی در مراکز درمانی دانشگاهی و غیردانشگاهی است. 

انتهای پیام