به گزارش مجله خبری نگار/جماران،این مطالعه که در مجله پزشکی نیوانگلند منتشر شد، پتانسیل استفاده از هوش مصنوعی را برای سادهسازی تشخیص، کاهش بار سیستمهای سلامت و بهبود دسترسی به تستهای تشخیصی در مناطقی که از کمبود منابع پزشکی رنج میبرند، برجسته کرد.
محققان الگوریتم یادگیری ماشینی را توسعه دادند که بر اساس تصاویر بیوپسی قادر به شناسایی دقیق بیمار مبتلا به بیماری سلیاک در ۹۷ مورد از ۱۰۰ مورد بود.
هوش مصنوعی بر روی تقریباً ۳۴۰۰ بیوپسی اسکن شده از ۴ بیمارستان وابسته به سرویس بهداشت ملی بریتانیا (NHS) آموزش دیده است.
بیماری سلیاک یک بیماری خودایمنی است که با خوردن گلوتن ایجاد میشود و از هر ۱۰۰ نفر یک نفر در سراسر جهان به آن مبتلا میشود. علائم بیماری از درد شکم، اسهال، خستگی و کم خونی متفاوت است که اغلب منجر به تاخیر در تشخیص یا عدم تشخیص میشود.
در حال حاضر، بیوپسی اثنی عشر استاندارد طلایی برای تشخیص است، زیرا پاتولوژیستها پرزهای روده - برآمدگیهای کوچک انگشت مانند - را برای آسیب بررسی میکنند، اما تفسیر این بیوپسیها میتواند دشوار باشد و پزشکان ممکن است در تشخیص همان وضعیت متفاوت باشند.
کارایی بالا در تشخیص
مدل هوش مصنوعی با استفاده از مجموعه دادههای متنوع از بیش از ۴۰۰۰ تصویر بیوپسی از ۵ بیمارستان، با استفاده از دستگاههای مختلف اسکن آموزش داده شد. این تضمین میکند که مدل به طور موثر در محیطهای بالینی متعدد کار میکند.
در این مطالعه، هوش مصنوعی کارایی بالایی در تشخیص بیماری سلیاک نشان داد، زیرا به حساسیت تشخیصی ۹۵ درصدی دست یافت، مانند شناسایی صحیح ۹۵ مورد از ۱۰۰ مورد آلوده، و ویژگی تشخیصی که به ۹۸ درصد رسید، مانند رد دقیق بیماری در ۹۸ مورد از ۱۰۰ مورد غیر آلوده.
به گفته محققان، دقت هوش مصنوعی مشابه تشخیص پاتولوژیست دوم بود و تنوع در تشخیصها را کاهش داد.
بر اساس مطالعه انجام شده؛ یکی از برجستهترین مزایای این فناوری تسریع فرآیند تشخیصی است که ممکن است در حال حاضر سالها طول بکشد، و کاهش بار روی پاتولوژیستها با خودکار کردن تشخیصهای معمول به طوری که آنها بتوانند خود را وقف موارد پیچیدهتر کنند، علاوه بر آن بهبود کیفیت تشخیص در کشورهای در حال توسعه که از کمبود پاتولوژیست رنج میبرند.
محققان افزودند که هوش مصنوعی میتواند روند تشخیص را برای بیماران تسریع کند و در عین حال فشار بر سیستمهای بهداشتی را کاهش دهد، بهویژه که بیماری سلیاک ممکن است باعث بیماریهای جدی شود، در حالی که بیماران معمولاً از تأخیر قابل توجهی در تشخیص دقیق رنج میبرند.