هوش مصنوعی سل، را از اشعه ایکس تشخیص می دهد

به گزارش علمی نیوز و به نقل از Psychology Today، یادگیری عمیق هوش مصنوعی (AI) ابزاری رو به رشد برای کمک به پزشکان در تشخیص و تشخیص بیماری است. یک مطالعه جدید توسط محققان در Google Health نشان داده است که چگونه یادگیری عمیق هوش مصنوعی می تواند سل ریوی (TB) را در رادیوگرافی قفسه سینه و همچنین رادیولوژیست های انسانی تشخیص دهد.

مغز انسان و علوم اعصاب مفاهیم و روش هایی را الهام گرفته اند که در هوش مصنوعی استفاده می شود . معماری یادگیری عمیق هوش مصنوعی تا حدودی از مغز انسان و شناخت بیولوژیکی الهام گرفته شده است . «عمیق» در یادگیری عمیق به لایه‌های پردازشی زیادی اشاره دارد که از گره‌های زیادی مشابه نورون‌های مصنوعی هستند. با عبور اطلاعات از لایه ها، وزن گره ها تنظیم می شود.

هر چه شبکه عصبی مصنوعی عمیق‌تر باشد، لایه‌های محاسباتی بیشتر است. گاهی اوقات از این به عنوان جعبه سیاه هوش مصنوعی یاد می شود. یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که در آن سیستم‌های کامپیوتری قادر به انجام وظایف بدون کدگذاری صریح دستورالعمل‌ها هستند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که دارای لایه های پردازشی زیادی بین لایه ورودی و خروجی است. از قضا، مانند مغز بیولوژیکی، عملکرد درونی دقیقاً چرایی کار شبکه های عمیق تا حد زیادی غیرقابل توضیح است و هیچ نظریه واحدی وجود ندارد. علیرغم جعبه سیاه یادگیری عمیق هوش مصنوعی، توانایی کامپیوترها برای تشخیص سیگنال ها و الگوها در داده های پیچیده ابزار بسیار مفیدی است.

محققان Google Health نوشتند: «در این مطالعه، ما یک سیستم یادگیری عمیق (DLS) برای تفسیر رادیوگرافی قفسه سینه برای تصویربرداری از ویژگی‌های سل ریوی فعال ایجاد کردیم. ما DLS خود را با استفاده از مجموعه‌ای از مجموعه‌های داده از چین، هند، ایالات متحده و زامبیا آزمایش کردیم که با هم مناطق، نژادها، قومیت‌ها و شیوع بیماری‌های محلی مختلف را منعکس می‌کنند.»

سل یک عفونت قابل درمان، قابل پیشگیری و مسری است که توسط باکتری مایکوباکتریوم توبرکلوزیس ایجاد می شود که به طور معمول ریه ها را آلوده می کند. علائم سل شامل درد قفسه سینه، سرفه خونی یا خلط و سرفه ای است که بیش از سه هفته طول می کشد. سل می تواند به سایر اندام ها مانند کلیه، ستون فقرات و مغز سرایت کند.

در سال 2020، تقریباً 10 میلیون نفر در سراسر جهان به سل مبتلا بودند و 1.5 میلیون نفر بر اثر سل بر اساس گزارش سازمان بهداشت جهانی (WHO) فوت کردند. تخمین زده می شود که 25 درصد از جمعیت جهان به باکتری سل آلوده شده اند، اما هنوز به این بیماری مبتلا نشده اند و طبق گفته سازمان جهانی بهداشت، افراد آلوده 5 تا 10 درصد شانس ابتلا به این بیماری را دارند. پایان دادن به سل تا سال 2030 یکی از اهداف اهداف توسعه پایدار سازمان ملل است . داشتن یک روش مقرون به صرفه برای غربالگری سل می تواند به جمعیت های محروم کمک کند.

محققان Google Health یک سیستم یادگیری عمیق هوش مصنوعی با سه ماژول، یک مدل برش ریه، یک ماژول تشخیص برای شناسایی مناطق مورد علاقه و یک ماژول طبقه‌بندی ایجاد کردند که از خروجی سایر ماژول‌ها برای پیش‌بینی اینکه آیا رادیوگرافی قفسه سینه یا نه استفاده می‌کند. CXR) حاوی سل است.

محققان نوشتند: «اگرچه مطالعات قبلی در مورد تشخیص هوش مصنوعی سل در رادیوگرافی قفسه سینه انجام شده است، مطالعه ما در گنجاندن و ارزیابی زیرگروه‌ای جامع از جمعیت متنوع بیماران برای درک بهتر عملکرد DLS برجسته است.»

سیستم یادگیری عمیق با رادیوگرافی قفسه سینه شناسایی نشده از بیش از 165750 بیمار در بیش از 22280 بیمار از هند، چین، زامبیا، آفریقای جنوبی، مولداوی، آذربایجان، گرجستان، رومانی و بلاروس توسعه و آموزش داده شد. بیش از 550290 تصویر برای پیش‌آموزش استفاده شد و بیش از 130 تصویر برای آموزش و اعتبارسنجی ماژول برش ریه استفاده شد.

پس از آموزش الگوریتم یادگیری عمیق، روی بیش از 1230 تصویر از ایالات متحده، چین، هند و زامبیا، بیش از 1070 تصویر از آفریقای جنوبی، در مجموع بیش از 2300 تصویر آزمایش شد. عملکرد مدل هوش مصنوعی در برابر عملکرد رادیولوژیست های انسانی مورد ارزیابی قرار گرفت. رادیولوژیست ها بیش از 2300 تصویر را در داده های آزمایش نشان دادند که آیا سل در تصویر وجود دارد یا نه، همراه با اطمینان آنها و اینکه آیا مشکلات فنی روی تصویر وجود دارد یا خیر.

مدل هوش مصنوعی حساسیت بالایی بین 89 تا 100 درصد در تشخیص همه ناهنجاری‌های مرتبط با سل داشت. الگوریتم یادگیری عمیق گوگل در مقایسه با رادیولوژیست‌های انسانی مستقر در هند که با میانگین حساسیت ۷۵ درصدی کار می‌کردند، با حساسیت بالاتر ۸۸ درصد و ویژگی بالاتر عمل کرد. علاوه بر این، میانگین ویژگی 79 درصدی سیستم یادگیری عمیق هوش مصنوعی نسبت به 9 رادیولوژیست انسانی مستقر در هند، طبق گفته محققان گوگل، کمتر از میانگین ویژگی 84 درصدی بود.

محققان نوشتند: «با توجه به کمبود خوانندگان با تجربه، WHO اکنون تشخیص به کمک رایانه را برای غربالگری و تریاژ در افراد 15 ساله یا بالاتر توصیه می‌کند.»

محققان تخمین می زنند که راه حل یادگیری عمیق هوش مصنوعی آنها به طور بالقوه می تواند 40 تا 80 درصد صرفه جویی در هزینه را در تشخیص سل به دست آورد و به هدف سازمان بهداشت جهانی برای مطابقت با حساسیت 90 درصد یا ویژگی 70 درصد دست یابد.

رادیولوژیست ها به این نتیجه رسیدند که DLS ممکن است بتواند غربالگری سل را در مناطقی با منابع محدود رادیولوژیست تسهیل کند و شایستگی اعتبار بالینی آینده نگر بیشتری را دارد.