هوش مصنوعی (AI) در حال تبدیل تصویربرداری پزشکی است، به ویژه در کار چالش برانگیز تمایز خوش خیم از ضایعات بدخیم در اسکن های محاسبه شده (CT) دقیق تمایز به طور مستقیم بر تصمیمات درمان، پیش بینی ها و میزان بقای بیمار تأثیر می گذارد، باستان شناسان به تفسیر بصری از ویژگی هایی مانند شکل، ویژگی های حاشیه، و الگوهای تقویت تکیه می کنند، اما تفاوت های ظریف می تواند منجر به تجزیه و تحلیل دقیق الگوریتم های پردازش دقیق، به ویژه تغییر ویژگی های فعلی، به بهبود دقیق آن شود.

درک سی تی اسکن و طبقه بندی لسین

این کتابوگرافی با ترکیب چندین پیش بینی اشعه ایکس با وضوح بالا تصاویر مقطعی با وضوح بالا تولید می کند، به طور گسترده ای برای تشخیص و مشخص کردن ضایعات در ریه ها، کبد، کلیه ها، پانکراس و سایر اندام ها استفاده می شود، به طور معمول نیاز به توده های بافت غیر طبیعی است که ممکن است خوش خیم (به غیر سرطانی، به عنوان مثال، کیست، همartoma، گرانولونوژن) یا (به طور معمول نیاز به یک درمان فوری دارد.

با این حال، بسیاری از ضایعات ویژگی های همپوشانی را نشان می دهند.به عنوان مثال، یک نوروز ریه با حاشیه های متخلخل اغلب برای بدخیمی مشکوک است، اما یک نورل خوش خیم نیز می تواند به طور مشابه، کبدی اومانیوما اغلب یک الگوی تقویت کننده مشخصه در CT را نشان می دهد، اما انواع غیر معمول ممکن است متااستوس این درایو های ابهام برای روش های محاسباتی پیشرفته را تقلید کنند.

چالش های تفسیر انسان

حتی رادیولوژیست های با تجربه با چالش ها مواجه هستند: خستگی، بارگذاری بالا و ظرافت تغییرات بدخیم اولیه.تربی سرور variability به خوبی مستند شده است، به ویژه در غربالگری کم دوز برای سرطان ریه، علاوه بر این، رشد نمایی از داده های تصویربرداری نیروی کار رادیولوژیست را مختل می کند، افزایش خطر تشخیص از دست رفته AI می تواند به عنوان ابزار دوم برای اولویت بندی یک ابزار برای اولویت بندی یافته های سه ساله عمل کند.

نقش AI در تصویربرداری پزشکی

هوش مصنوعی، به ویژه یادگیری ماشینی (ML) و یادگیری عمیق (DL)، موفقیت قابل توجهی در تجزیه و تحلیل تصویر به دست آورده است.شبکه های عصبی کانولو (CNNs) ستون فقرات بسیاری از سیستم های تصویربرداری پزشکی هستند که این شبکه ها ویژگی های سلسله مراتبی را مستقیما از داده های پیکسل یاد می گیرند، از بین بردن نیاز به مهندسی ویژگی های دستی، آموزش داده های بزرگ، داده های داده شده - اغلب هزاران اسکن خوش خیم یا ضایعات طولانی مدت تایید شده است.

مدل های AI به طور معمول با استفاده از معیارهایی مانند حساسیت، خاص بودن، منطقه تحت منحنی ویژگی عملکرد گیرنده (AUC) ارزیابی می شوند و دقت زیادی از مطالعات نشان داده اند که عملکرد AI قابل مقایسه با یا بهتر از رادیولوژیست های دارای گواهینامه هیئت مدیره در وظایف خاص، مانند طبقه بندی نوروکول های ریه یا مشخص کردن ضایعات کبدی است.

رویکردهای فنی کلیدی

چندین تکنیک به کار گرفته می شوند:

  • شبکه های عصبی تکامل یافته (CNNs) - پچ های تصویر 2D یا 3D برای استخراج ویژگی های فضایی.
  • آموزش انتقال - آموزش پیش از آموزش در مجموعه داده های تصویر طبیعی بزرگ (به عنوان مثال، ImageNet) سپس با دقت در داده های پزشکی برای غلبه بر داده های پزشکی محدود.
  • رادیومها - استخراج صدها ویژگی کمی (متن، شکل، شدت) از ضایعات تقسیم شده، اغلب همراه با کلاس های ML مانند جنگل های تصادفی یا ماشین های بردار پشتیبانی.
  • [[۱] [۱۰] روش های جمع آوری [[۱۰] [۱۰] - ترکیب مدل های متعدد برای بهبود استحکام و کاهش بیش از حد.

چگونه AI از لسی های بدخیم متمایز می کند

این فرآیند شامل چندین مرحله است: پیش پردازش تصویر، تشخیص و یا گزارش، استخراج ویژگی ها و طبقه بندی مدل های AI هر دو ویژگی ماکرو و سطح میکرو را تجزیه و تحلیل می کنند که ممکن است برای چشم انسان غیرقابل درک باشد.

تحلیل های مهم توسط AI

ویژگی های رایج Discriminative شامل:

  • شکل و حاشیه - ضایعات بدخیم اغلب حاشیه های نامنظم، متخلخل دارند؛ خوش خیمان بیشتر گرد یا بیضی با مرزهای صاف هستند.
  • [FLT: 1 ] - کیست های بنign چگالی آب (نزدیک به 0 HU) را نشان می دهند؛ اما با دیوارهای نازک؛ ضایعات بدخیم نشان می دهد که افزایش می یابد. AI می تواند توزیع دقیق واحد هوزنفیلد را اندازه گیری کند.
  • هم افزایی - تومورهای بدخیم تمایل به ناهمگنی به دلیل نcrosis، خونریزی، و یا کاتتر سازی، الگوهای بافت با استفاده از ویژگی های هارالیک یا ویژگی های عمیق از CNN را ضبط می کند.
  • Enhancement Dynamics - در مقابل سی تی، الگوهای شستشو و شستشو کمک می کند تا ضایعات جانبی را متمایز کنند.
  • [FLT: 1] در طول زمان - هنگامی که اسکن های سریال در دسترس هستند، AI می تواند زمان دو برابر را تعیین کند - یک عامل مهم در مدیریت نوروبل ریه.

آموزش و اعتبار

مدل ها در مجموعه های متنوع و چند قانون گذاری آموزش دیده اند تا در سراسر اسکنرهای مختلف، پروتکلها و جمعیت بیمار به طور کلی تعمیم یابند. اعتبارسنجی از مجموعه های آزمون مستقل استفاده می کند، به عنوان مثال، مطالعه 2019 توسط Ardila et al. ( : طب طبیعت، 2019 [LT:1] یک مدل یادگیری عمیق را نشان داد که در تجزیه و تحلیل عمیق سرطان (FUC، به دست آوردن یک مطالعه عمیق دیگر از یک منبع تصویر).

مزایای استفاده از AI برای تفاوت های لسی

مزایای آن فراتر از دقت خام است:

  • سازگاری پیشرفته - AI خروجی یکسان برای همان ورودی فراهم می کند، کاهش تنوع بین خواندن و درون خواندن ضروری است در برنامه های غربالگری (به عنوان مثال، سرطان ریه کم دوز سی تی) که در آن گزارش استاندارد اجباری است.
  • افزایش بهره وری - AI می تواند اسکن های عادی را سه برابر کند و یافته های مشکوک را برجسته کند، به رادیولوژیست ها اجازه می دهد تا بر موارد پیچیده تمرکز کنند، این زمان چرخش را کاهش می دهد و به مدیریت حجم بالا کمک می کند.
  • تشخیص قابلیت های فرعی - AI می تواند تشخیص میکروارگانیسم های دقیقه، اسپاسم ظریف یا ناهنجاری های بافت که ممکن است از اطلاع انسان فرار کنند، به ویژه در سرطان های اولیه.
  • پشتیبانی تصمیم - برای رادیولوژیست های کم تجربه و یا کسانی که در تنظیمات محدود منابع، AI یک نظر دوم است که اعتماد به نفس را افزایش می دهد و خطاهای تشخیصی را کاهش می دهد.
  • نشانگرهای کمی بیومارکرها - AI می تواند امضاهای رادیویی را محاسبه کند که با اکراه شناسی، ژنومیتیک و پاسخ درمانی ارتباط دارد، و راه را برای درمان شخصی سازی شده هموار می کند.

چالش ها و محدودیت ها

علی رغم وعده های آن، هوش مصنوعی در تمایز سی تی هیچ مانعی ندارد:

  • کیفیت داده و مقدار - مدل ها نیاز به مجموعه داده های بزرگ و به خوبی مشخص شده از جمعیت های مختلف دارند. بسیاری از مجموعه داده ها از عدم تعادل کلاس رنج می برند (مورد های بدخیم)، حقیقت زمین گمشده یا تنوع در پروتکل های اسکن.
  • - مدل آموزش دیده در داده های یک موسسه ممکن است زمانی که به تصاویر از فروشندگان مختلف و یا جمعیت (تغییر دامنه) اعمال می شود، شکست بخورد.
  • قابلیت پیش بینی - مدل های یادگیری عمیق اغلب "جعبه های سیاه" هستند، و درک اینکه چرا یک lesion به عنوان روش های هوش مصنوعی قابل توضیح (XAI) طبقه بندی شده است، مانند نقشه های سال یا مکانیسم های توجه، توسعه یافته اما هنوز استاندارد نیست.
  • ] مسائل اخلاقی و انگیزشی [FLT 1 ] - دستگاه های پزشکی مبتنی بر AI باید تحت نظارت دقیق FDA یا تایید علامت گذاری CE قرار گیرند. نگرانی در مورد حریم خصوصی بیمار، امنیت داده ها و سوگیری الگوریتمی (به عنوان مثال، کمتر از اطلاع رسانی در گروه های اقلیت) نیاز به توجه دقیق دارد. FDA راهنمایی در دستگاه های پزشکی فعال AI /ML (نگاه کنید به AI / FDA).
  • Integration در جریان کار بالینی - ابزارهای AI باید به طور یکپارچه در PACS (فایل تصویر و سیستم های ارتباطی) و سیستم عامل های گزارش رادیولوژی قرار گیرند. مقاومت از پزشکان، کمبود آموزش و زمان اضافی مورد نیاز برای تعامل با AI می تواند محدود به پذیرش.
  • مثبت و منفی کاذب - اعتماد بیش از حد به AI ممکن است منجر به تشخیص نادرست شود، به عنوان مثال، یک مثبت کاذب می تواند بیوپسی غیر ضروری را ایجاد کند، در حالی که یک منفی کاذب ممکن است درمان را به تاخیر بیاندازد، بنابراین AI باید به عنوان یک ابزار کمکی استفاده شود، نه جایگزینی.

مسیر های آینده

تکامل هوش مصنوعی در تجزیه و تحلیل سی تی سلنس تسریع می شود، چندین مسیر امیدوار کننده مورد بررسی قرار می گیرد:

نتیجه گیری

AI چشم انداز شخصیت سازی مبتنی بر CT را تغییر می دهد.توانایی آن برای تجزیه و تحلیل داده های بالا، کشف امضا های تصویربرداری ظریف، و ارائه ارزیابی های ثابت، ارزیابی های کمی ارزش زیادی را ارائه می دهد - به ویژه در مورد قابلیت کلی، تفسیر و ادغام بالینی - مسیر روشن است.به عنوان الگوریتم های بالغ و تنظیم کننده تکامل، AI تبدیل به یک تجربه ضروری برای بهبود دقیق ترین اطلاعات و نه در نهایت هدف اسکن است.