پیشرفت سریع هوش مصنوعی (AI) داروهای تشخیصی را تغییر می دهد و یکی از موثرترین کاربردهای آن تمایز بین ضایعات عفونی و نئوپلاستیک است، تمایز دقیق بسیار مهم است زیرا تشخیص نادرست می تواند منجر به درمان نامناسب، مراقبت های تاخیری یا روش های غیر ضروری آن شود.در حالی که هر دو نوع lesion می تواند در تصویربرداری مشابه ظاهر شود، ابزارهای AI-قدرت هوش مصنوعی در حال حاضر با تجزیه و تحلیل الگوهای ظریف برای مقابله با این مقاله چشم، به بررسی این مشکل بالینی، دقیق ارائه می دهند.

درک | عفونی و نئوپلاستی لسس

ضایعات عفونی ناشی از پاتوژن های مهاجم مانند باکتری، ویروس ها، قارچ ها یا انگل ها است.این ضایعات به طور معمول یک پاسخ التهابی را ایجاد می کنند، ارائه با ویژگی هایی مانند edema، erythema و نفوذ آلودگی leukocyte، نمونه های رایج شامل آبسه، گرانولوما (به عنوان مثال، در سرطان های مرتبط با ویروس)، در مقایسه با آنزیم های ضد میکروبی و یا ضایعات خطرناک، هیچ گونه ضایعات کبدی نمی تواند از توده های دور جلوگیری کند.

سهام بالینی بالا است.اشتباه یک lesion عفونی برای تومور ممکن است منجر به بیوپسی غیر ضروری یا حتی جراحی شود، در حالی که از دست دادن یک بدخیم می تواند درمان نجات دهنده زندگی را به تاخیر اندازد.کارشناسان تشخیصی سنتی به فرهنگ، سرولوژی، بیوپسی و تفسیر تخصصی از تصویربرداری متکی هستند، اما این روش ها می توانند آهسته، تهاجمی، یا بی نتیجه باشند.

چگونه AI در حال تغییر طبقه بندی لسیون است

آموزش ماشین و بنیاد یادگیری عمیق

سیستم های AI که برای تمایز در درجه اول تحت یادگیری ماشین (ML) و یادگیری عمیق (DL) استفاده می شوند، شبکه های عصبی تکامل یافته (CNNs) به ویژه برای تجزیه و تحلیل تصویر موثر هستند زیرا آنها ویژگی های سلسله مراتبی را یاد می گیرند - از لبه ها و بافت ها گرفته تا اشکال پیچیده - به طور مستقیم از داده های پیکسل آموزش داده می شوند.این مدل ها در مجموعه های بزرگ تصاویر مشخص شده مانند سی تی اسکن، MRI و یا تصاویر جدید آموزش دیده می شوند که اغلب اوقات آنها می توانند با دقت اسلایدو یا تصاویر جدید، و یا نوارولوژی را طبقه بندی کنند.

به عنوان مثال، یک سی ان آموزش دیده در هزاران عکس از سی تی ریه می تواند بین گرانولوماهای لوله ای و سرطان اولیه مرحله ای ریه را با تشخیص ویژگی های ظریف نورل مانند spiculation، الگوهای کاتتر سازی و پارامترهای تصویربرداری زمین به طور مشابه، در تصویربرداری عصبی، مدل های AI تمایز بین abscesses مغز و glio با تجزیه و تحلیل وزن انتشار (I) و تصویربرداری زمین (W) و تجزیه و تحلیل پارامترهای تصویربرداری.

رادیوم ها و استخراج های مهم

فراتر از یادگیری عمیق، رادیومها – روشی که صدها ویژگی کمی از تصاویر پزشکی استخراج می کند – طبقه بندی مبتنی بر AI را تقویت می کند، این ویژگی ها بافت، شکل، شدت و الگوریتم های یادگیری ماشین را توصیف می کنند (به عنوان مثال، جنگل های تصادفی، ماشین های پشتیبانی) سپس شناسایی می کنند که کدام ترکیب را به بهترین وجه جدا از ضایعات نئوپلاستیک می کند.

برنامه های بالینی و شواهد

لسیس

نودول های ریه یک معضل تشخیصی رایج هستند. A 2023 که در ]Radiology منتشر شده است یک مدل یادگیری عمیق برای تمایز بین سرطان ریه و سل ریوی ریه در اسکن های CT، دستیابی به منطقه تحت منحنی چشم (AUC) از 0.94 - به دور از خوانندگان انسانی استفاده می کند. [F:2 ] مطالعه الگوهای بافت شناسایی شده و تغییرات غیر قابل مشاهده شده.

مغز esions

تفاوت بین مغز از گلیوماهای نخاتیک به طور بدنامی بر روی MRI معمولی چالش برانگیز است. تجزیه و تحلیل مبتنی بر AI از انتشار و تصویربرداری تزریق نشان داده است که یک متاآنالیز با استفاده از گزارش های علمی طبیعت [FLT 1] نشان داده است که مدل های یادگیری نسبی بیش از 90٪ حساسیت و خاص در تشخیص دو، با استفاده از ویژگی های آشکار (A) و حجم خون (VCB) به دست آمده است.

دانلود سریال Hepatobiliary لسions

در Hepatology، تنوعات کبدی pyogenic از ضایعات متاستاتیک با نوکوز مرکزی می تواند دشوار باشد.یک مدل مبتنی بر رادیوmics با استفاده از CT کنتراست گزارش دقت 87٪ در یک کارآزمایی 2022، خارج از رادیولوژیست. بیشتر بخوانید در بهارر مدل بافت و بافت شامل هر دو فاز و از پورتال و فازهای ساخته شده است.

ادغام هیستوپاتیک

AI محدود به رادیولوژی.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.ک.می با یادگیری عمیق می تواند گرانولوماهای عفونی را از لیمبیخ با دقت بالا تشخیص دهد، کاهش نیاز به لکه های خاص یا عدم تقارن.

مزایای AI در عفونی در مقابل تفاوت های نئوپلاستیک

  • Speed: AI می تواند یک سری کامل سی تی را در ثانیه تجزیه و تحلیل کند، در حالی که یک رادیولوژیست ممکن است در شرایط حساس به زمان مانند سپسیس یا تومور مغزی مشکوک، سه گانه سریع ارزشمند است.
  • Accuracy: با یادگیری از مجموعه داده های گسترده، AI از خستگی و سوگیری های شناختی اجتناب می کند، مطالعات به طور مداوم AUCs بالاتر از 0.90 را در کارهای طبقه بندی باینری نشان می دهد.
  • سازگاری: AI همان خروجی را برای ورودی های یکسان در طول روزهای مختلف و اپراتورهای فراهم می کند، کاهش تنوع بین و بین خواندن.
  • تشخیص ناگهانی: AI می تواند ویژگی های ظریف مانند تقویت محیطی ضعیف یا میکروcalcifications را نشان دهد - که نشان دهنده بدخیمی زودرس یا عفونت است، که باعث می شود کار سریع.
  • کاهش رویه های غیر تهاجمی: هنگامی که AI با اطمینان تشخیص یک lesion عفونی، پزشکان ممکن است به جای بیوپسی، کاهش خطر بیمار و هزینه های مراقبت های بهداشتی، درمان پزشکی را انتخاب کنند.

چالش ها و محدودیت ها

علی رغم وعده های آن، AI با موانع متعددی برای پذیرش بالینی گسترده مواجه است:

  • کیفیت داده و Bias: اکثر مدل ها در مجموعه داده های گذشته نگر از موسسات منفرد آموزش داده می شوند، که ممکن است فاقد تنوع باشد.مدل ها ممکن است در جمعیت های نمایندگی نشده در داده های آموزشی، مانند گروه های قومی مختلف یا زیرنوع بیماری، ضعیف عمل کنند.
  • قابلیت پیش بینی: مدل های یادگیری عمیق اغلب "جعبه های سیاه" هستند، کلینیک ها بدون درک تکنیک های AI (XAI) مانند نقشه های سال، در حال توسعه هستند، اما هنوز معمول نیستند.
  • هردز شتاب دهنده: نرم افزار AI پزشکی باید با اطمینان دقیق و ترخیص توسط بدن مانند FDA یا EMA تحت تاثیر قرار گیرد، این فرایند زمان بر و گران است، و به سرعت گسترش می یابد.
  • Integration inflow Workflow: بسیاری از ابزارهای AI به طور یکپارچه با سیستم های بایگانی تصویر موجود و ارتباطات (PACS) یا سوابق سلامت الکترونیکی (EHRs) یکپارچه نیستند.
  • داده های بیمار مورد استفاده برای آموزش باید با توجه به مقررات مانند HIPAA و GDPR آموزش داده شود - جایی که مدل ها در سراسر موسسات بدون به اشتراک گذاری داده های خام آموزش داده می شوند - یک راه حل امیدوار کننده اما در مراحل اولیه است.

مسیر های آینده

Multimodal AI

ترکیب داده های تصویربرداری با سابقه بالینی، نتایج آزمایشگاه و ژنومیتیک می تواند دقت را بهبود بخشد.به عنوان مثال، مدلی که هر دو سی تی اسکن را وارد می کند و شمارش سلول سفید خون بیمار می تواند عفونت را از بدخیمی بهتر متمایز کند.

هوش مصنوعی قابل توضیح (XAI)

برای ایجاد اعتماد، AI باید توضیحات بصری یا متنی از تصمیمات خود ارائه دهد. تکنیک هایی مانند نقشه برداری فعال سازی کلاس با وزن پایین (Grad-CAM) مناطق را در تصویری برجسته می کند که سیستم های طبقه بندی آینده این توضیحات را به شیوه ای بصری ارائه می دهند.

آموزش فدرال

برای غلبه بر حریم خصوصی و کمبود داده، یادگیری تغذیه شده امکان می دهد چندین بیمارستان را به طور مشترک یک مدل را بدون به اشتراک گذاشتن داده های بیمار آموزش دهند.این رویکرد می تواند مدل های قوی تر و قابل توجه تری را در حالی که رعایت می کند، به دست آورد.

پشتیبانی تصمیم گیری در زمان واقعی

الگوریتم های AI در PACS تعبیه شده اند تا به طور خودکار اجرا شوند زمانی که یک رادیولوژیست یک مورد را باز می کند.سیستم می تواند یک نمره احتمالی برای عفونت در مقابل نئوپلاسم را نشان دهد، و باعث ایجاد یک کار تشخیصی هدفمند می شود.این ادغام یکپارچه هدف نهایی است.

AI-Guided Biopsy

هنگامی که بیوپسی هنوز ضروری است، AI می تواند به هدف قرار دادن مشکوک ترین منطقه در یک lesion، افزایش عملکرد تشخیصی کمک کند، این امر به ویژه در ضایعات خطرناک که در آن خطای نمونه برداری رایج است، مفید است.

نتیجه گیری

استفاده از AI برای متمایز کردن عفونی از ضایعات نئوپلاستیک به سرعت از آزمایشگاه های تحقیقاتی به عمل بالینی حرکت می کند.با استفاده از یادگیری ماشین و رادیوگرافی، AI سرعت، دقت و ثبات را افزایش می دهد، در نهایت بهبود نتایج بیمار، چالش های مربوط به کیفیت داده، تفسیر و ادغام باید از طریق تلاش های مشترک بین پزشکان، مهندسان، و تنظیم کنندگان به عنوان این موانع کاهش، ابزار تشخیصی ضروری، اطمینان حاصل شود که کمک های صحیح تر است.

برای مطالعه بیشتر در مورد چشم انداز تنظیمی AI در تصویربرداری پزشکی، راهنمای FDA در دستگاه های AI /ML فعال را ببینید، سازمان بهداشت جهانی ارائه می دهد یک نمای جامع از هوش مصنوعی در سلامت .