هوش مصنوعی دستیار رادیولوژیست ها می شود
پرتوبلاگ: بر طبق تحقیقی جدید، محققان می توانند به مدلهای هوش مصنوعی بیاموزند بین تومورهای مغزی و بافت سالم تمایز قائل شوند.
به گزارش پرتوبلاگ به نقل از مهربه نقل از فیز، مدلهای هوش مصنوعی اکنون قادر هستند با دقتی مشابه پزشکان چنین تومورهایی را در تصاویر ام آر آی شناسایی کنند. پژوهشگران بطور مستمر استفاده از هوش مصنوعی در عرصه پزشکی را گسترش داده اند. به ویژه استفاده از این فنآوری در حوزه رادیولوژی نویدبخش بوده است. در این زمینه انتظار بیماران برای آنکه تکنیسین ها تصاویر پزشکی را پردازش کنند، ممکنست پروسه درمان را به تعویق بیندازد. به این علت شبکه های عصبی کانولوشنال ابزارهای قدرتمندی هستند که به پژوهشگران اجازه می دهند مدلهای هوش مصنوعی را بر طبق مخازن بزرگی از تصاویر آموزش دهند تا عکس ها را شناسایی و دسته بندی کنند. بدین سان شبکه های مذکور می توانند ایجاد تمایز بین تصاویر را بیاموزند. شبکه های عصبی کانولوشنال همین طور ظرفیت انتقال یادگیری را دارند. بدین سبب پژوهشگران می توانند از مدلهای آموزش دیده برای انجام یک فعالیت جدید مانند یک پروژه مرتبط باردیگر بهره گیرند. هرچند ردیابی حیوانات استتار شده و دسته بندی تومورهای مغزی شامل دو نوع دسته بندی متمایز عکس است، اما پژوهشگران این پژوهش معتقدند بین حیوانی که در طبیعت استتار کرده و گروهی از سلول های سرطانی که با بافت سالم اطراف ترکیب می شوند، شباهتی وجود دارد. پروسه تعمیم محتوای آموخته شده یا به عبارتی گروه بندی موارد مختلف در یک زیر مجموعه ماهیتی، برای درک این که چگونه یک شبکه می تواند اشیا استتار شده را تشخیص دهد، ضرورت دارد. چنین آموزشی می تواند خصوصاً برای تشخیص تومور مفید باشد. در همین جهت پژوهشگران در پژوهش جدید از داده های ام آر آی حوزه عمومی، چگونگی آموزش مدل شبکه های عصبی بر طبق داده های تصویربرداری سرطان مغز را بررسی کردند. همین طور آنها یک مرحله یادگیری انتقال تشخیص حیوانات استتار منحصر به فرد را برای بهبود مهارت های تشخیص تومور شبکه ها معرفی کردند. پژوهشگران متوجه شدند این شبکه ها حدودا در ردیابی تصاویر مغزی نرمال ایده آل هستند و فقط یک تا ۲ اشتباه دارند. این مدلها قادر به تمایز بین سلول های سالم و سرطانی بودند. اولین شبکه عصبی ابداعی دقت ۸۵.۹۹ درصدی در ردیابی سرطان مغز داشت و دقت شبکه ای دیگر ۸۳.۸۵ درصد بود. شبکه عصبی مذکور بعد از این تحقیقات، می تواند تصاویری تولید نماید که مناطق خاصی را در طبقه بندی تومور مثبت یا منفی خود نشان میدهد. این امر به رادیولوژیست ها این امکان را می دهد تا تصمیمات خودرا با تصمیم های شبکه تأیید کنند.
منبع: پرتوبلاگ
این مطلب پرتوبلاگ را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب