مدل‌های هوش مصنوعی تومور‌ها را تشخیص میدهند!

براساس تحقیقی جدید، پژوهشگران می‌توانند به مدل‌های هوش مصنوعی بیاموزند بین تومور‌های مغزی و بافت سالم تمایز قائل شوند.

به گزارش مجله خبری نگار/مدل‌های هوش مصنوعی هم اکنون قادر هستند با دقتی مشابه پزشکان چنین تومور‌هایی را در تصاویر‌ام آر آی شناسایی کنند. محققان به طور مستمر استفاده از هوش مصنوعی در حوزه پزشکی را گسترش داده‌اند. به خصوص استفاده از این فناوری در زمینه رادیولوژی نویدبخش بوده است. در این حوزه انتظار بیماران برای آنکه تکنیسین‌ها تصاویر پزشکی را پردازش کنند، ممکن است فرایند درمان را به تعویق بیندازد.

به همین دلیل شبکه‌های عصبی کانولوشنال ابزار‌های قدرتمندی هستند که به محققان اجازه می‌دهند مدل‌های هوش مصنوعی را براساس مخازن بزرگی از تصاویر آموزش دهند تا عکس‌ها را شناسایی و دسته بندی کنند.

به این ترتیب شبکه‌های مذکور می‌توانند ایجاد تمایز بین تصاویر را بیاموزند. شبکه‌های عصبی کانولوشنال همچنین ظرفیت انتقال یادگیری را دارند؛ بنابراین محققان می‌توانند از مدل‌های آموزش دیده برای انجام یک فعالیت جدید مانند یک پروژه مرتبط دوباره استفاده کنند.

هرچند ردیابی حیوانات استتار شده و دسته بندی تومور‌های مغزی شامل دو نوع دسته بندی متمایز عکس است، اما محققان این پژوهش معتقدند بین حیوانی که در طبیعت استتار کرده و گروهی از سلول‌های سرطانی که با بافت سالم اطراف ترکیب می‌شوند، شباهتی وجود دارد.

فرآیند تعمیم محتوای آموخته شده یا به عبارتی گروه بندی موارد مختلف در یک زیر مجموعه ماهیتی، برای درک اینکه چگونه یک شبکه می‌تواند اشیا استتار شده را تشخیص دهد، ضروری است. چنین آموزشی می‌تواند به ویژه برای تشخیص تومور مفید باشد.

در همین راستا محققان در پژوهش جدید از داده‌های‌ام آر آی حوزه عمومی، چگونگی آموزش مدل شبکه‌های عصبی براساس داده‌های تصویربرداری سرطان مغز را بررسی کردند. همچنین آنها یک مرحله یادگیری انتقال تشخیص حیوانات استتار منحصر‌به‌فرد را برای بهبود مهارت‌های تشخیص تومور شبکه‌ها معرفی کردند.

محققان متوجه شدند این شبکه‌ها تقریباً در ردیابی تصاویر مغزی نرمال ایده آل هستند و فقط یک تا ۲ اشتباه دارند. این مدل‌ها قادر به تمایز بین سلول‌های سالم و سرطانی بودند. نخستین شبکه عصبی ابداعی دقت ۸۵.۹۹ درصدی در ردیابی سرطان مغز داشت و دقت شبکه‌ای دیگر ۸۳.۸۵ درصد بود.

شبکه عصبی مذکور پس از این تحقیقات، می‌تواند تصاویری تولید کند که مناطق خاصی را در طبقه بندی تومور مثبت یا منفی خود نشان می‌دهد. این امر به رادیولوژیست‌ها این امکان را می‌دهد تا تصمیمات خود را با تصمیم‌های شبکه تأیید کنند.

لینک کپی شد

منبع: مهر

اشتراک‌ گذاری