به گزارش گروه علم و فناوری ایسکانیوز، طبق برآوردهای اخیر، سرطان ریه باعث مرگ تقریبا 160 هزار نفر در ایالات متحده میشود. تشخیص زود هنگام جهت جلوگیری از گسترش تومورها و بهبود نتایج بیماران سرطانی بسیارحیاتی است.
متخصصان اخیرا در غربالگری سرطان ریه از سی تی اسکن به جای استفاده از اشعه ایکس در قفسه سینه استفاده کردهاند. در واقع، برخی از دانشمندان معتقدند که CT اسکنها نسبت به اشعه X برای تشخیص سرطان ریه برتر هستند.
تحقیقات نشان داده است کهCT با دوز کم (LDCT) مرگ و میر ناشی از سرطان ریه را تا 20 درصد کاهش می دهد. با این حال، خطاهایی در روش LDCT وجود دارد اما به طور معمول تشخیص سرطان ریه را تا زمانی که بیماری به حالت پیشرفته رسیده باشد به تاخیر میاندازد.
تحقیقات جدید از این خطاها جلوگیری میکند. گروهی از دانشمندان از تکنیکهای هوش مصنوعی (AI) برای تشخیص تومورهای ریه در اسکن LDCT استفاده کرده اند.
«Daniel Tse» از محققین این طرح، اعلام کرد که الگوریتم یادگیری عمیق روی پایگاه داده های متعلق به بیمارستان های پزشکی شمال غربی در شیکاگو مورد استفاده قرار گرفت.
الگوریتم یادگیری عمیق، رایانهها را قادر به یادگیری با استفاده از مثالها می کند. در این مورد، محققان سیستم را با استفاده از اسکن اولیه LDCT و اسکن های جدیدتر آموزش دادند.
اسکن قبلی LDCT از آن جهت مفید است که سرعت رشد غیر طبیعی ندول های ریه را (که نشان دهنده بدخیمی است) نشان می دهد.
در تحقیق حاضر، هوش مصنوعی یک سیستم ارزیابی تصویر خودکار ارائه داد که دقیقا بدخیمی ندولهای ریه را بدون هیچ گونه دخالت انسانی پیش بینی میکند.
محققان ارزیابی های AI را با شش نفر از اعضای هیات علمی دانشگاه رادیولوژی ایالات متحده که 20 سال تجربه بالینی داشتند مورد بررسی قرار دادند.
هنگامی که اسکنهای قبلی LDCT در دسترس نبودند، مدل AI نتایج را با کاهش 11 درصد در جواب های منفی درست و 5 درصد در منفی نادرست، نشان داد. هنگامی که اسکنهای قبلی در دسترس بود، هوش مصنوعی همانند رادیولوژیستها عمل می کرد.
«مازیار اعتمادی» استادیار بیهوشی در دانشگاه نورث وسترن، دلیل این عملکرد خوب هوش مصنوعی در زمینه تشخیص را اینگونه بیان کرد:«رادیولوژیستها معمولا صدها تصاویر 2 بعدی یا تکههای آن را در یک CT اسکن بررسی میکنند، اما این سیستم یادگیری ماشین، ریهها را در یک تصویر بزرگ و یکپارچه سه بعدی می بیند.
توانایی AI در تشخیص زودهنگام سرطان ریه نسبت به نگاه انسان به تصاویر دو بعدی بسیار بالاتر است. این تکنولوژی از نظر تکنیکی 4بعدی محسوب می شود زیرا به یک سی تی اسکن در دو زمان(اسکن فعلی و پیشین) وابسته است.
دکتر اعتمادی به مزایای استفاده از فناوری های یادگیری عمیق و دقت آن اشاره کرد که این سیستم میتواند آسیبها را با خاصیت بیشتر دسته بندی کند.
وی در ادامه افزود با این روش نه تنها ابتلا به سرطان بهتر تشخیص داده میشود بلکه اگر کسی سرطان نداشته باشد، به طور بالقوه از مواردی چون بافت برداری تهاجمی، پر هزینه و خطرناک در امان است.
محققان اعلام کردند که لازم است نتایج این تحقیق در نمونههای بزرگتر مورد تایید قرار گیرد.
یادگیری عمیق Deep learning) یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی) یک زیر شاخه از یادگیری ماشینی و بر مبنای مجموعهای از الگوریتمهایی است که مفاهیم انتزاعی سطح بالا در دادگان را مدل میکند. این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل میکنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگیها در لایههای مدل است.
یک نمونه آموزشی (برای نمونه: تصویر یک گربه) میتواند به صورتهای گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکلهای کوچکتر (نظیر اعضای صورت گربه) مدل سازی شود. برخی از این روشهای مدل سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) میشوند. در یادگیری ژرف امید به جایگزینی استخراج این ویژگیهای تصویر به دست بشر (مانند اعضای گربه) با روشهای کامل خودکار بینظارت و نیمه نظارتی وجود دارد.
انگیزهٔ نخستین در به وجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شدهاست که در آن یاختههای عصبی با فرستادن پیام به یکدیگر درک را امکانپذیر میکنند. بسته به فرضهای گوناگون در مورد نحوهٔ اتصال این یاختههای عصبی، مدلها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شدهاند، هرچند که این مدلها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگیهای بیشتری را دارا است. این مدلها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده ، شبکه باور عمیق پیشرفتهای خوبی را در حوزههای پردازش زبانهای طبیعی، پردازش تصویر ایجاد کردهاند.
در حقیقت عبارت یادگیری عمیق، بررسی روشهای تازه برای شبکه عصبی مصنوعی است.
انتهای پیام/