آنچه در اینجا مطالعه خواهید کرد خلاصهای از دیدگاه برخی پزشکان و اساتید رادیولوژی بالینی در بخش رادیولوژی و تصویربرداری زیست پزشکی در UCSF است که با هدف بررسی چگونگی اثرگذاری هوش مصنوعی در رادیولوژی عمومی تهیه شده است. همچنین رویکرد و عملکرد برخی توسعهدهندگان پیشرو صنعت تصویربرداری پزشکی نسبت به استفاده از هوش مصنوعی…
سطح مطلب: مقدماتی- متوسط
زمان مطالعه: ۹ دقیقه
هوش مصنوعی در رادیولوژی چگونه باعث بهبود دقت و افزایش گردش کار میشود
حضور هوش مصنوعی (Artificial Intelligence-AI) در رادیولوژی همراه با افزایش ارائه محصولاتی که دریافت تصویر، خواندن، تریاژ۱ و پشتیبانی تصمیمگیری بالینی را ارائه میکنند، سریعاً در حال رشد است. افزایش مستمر درخواستهای تصویربرداری و در دسترس بودن اسکنرهای با وضوح بالا و اطلاعات بیشتر (مانند سی تی اسکن و ام آر آی) نیز منجر به حجم کاری زیادی برای رادیولوژیست ها شده است. اگرچه تصویربرداری با وضوح پائینتر، مانند X-Ray، همچنان یکی از رایجترین روشهایی است که برای تشخیص اولیه به آن تکیه میشود.
طبق مطالعهای که Fatihoglu E و همکارانش انجام داده اند، در ۳۴٫۴ درصد از مراجعات بخش اورژانس (ED) تصویربرداری اشعه ایکس از قفسه سینه انجام میشود. با وجود استفاده گسترده، اشعه ایکس برای تفسیر سادهترین روش نیست. توسعه دهنگان هوش مصنوعی بر ایجاد راهحلهای هوش مصنوعی برای کمک به رادیولوژیستها جهت خواندن دقیقتر تصاویر اشعه ایکس متمرکز هستند. استفاده از ابزارهای هوش مصنوعی از طرقی با خودکارسازی برخی از کارهای دستی به تکنسین کمک میکند و از طرف دیگر با پشتیبانی از تصمیمگیری بالینی به پزشکان کمک میکند.
با هدف کمک به اولویتبندی موارد حیاتی، از ابزارهای هوش مصنوعی برای کمک به شناسایی الگوهای ظریف یا پیچیده در تصاویر اشعه ایکس استفاده میشود و موارد حیاتی را به بالای فهرست بیماران منتقل میکند. استفاده از این ابزارهای هوش مصنوعی منجر به بهبودهایی در کارایی، کیفیت و دقت بالینی شده است.
حرکت از مفهوم به واقعیت در راه حل های هوش مصنوعی برای اشعه ایکس
امروزه با بیش از صد راه حل نرم افزاری هوش مصنوعی (AI) که از دهها تولید کننده برای مراقبتهای بهداشتی ایجاد شدهاند، الگوریتمهای هوش مصنوعی بیشتر و بیشتری از ایده به سمت واقعیت حرکت میکنند، ارزش خود را اثبات میکنند، تاییدیههای نهادهای نظارتی را به دست میآورند و در کار بالینی روزمره معرفی میشوند.
جان مونگان، MD، PhD، معاون انفورماتیک و دانشیار رادیولوژی بالینی (بخش تصویربرداری شکم و اولتراسوند) در بخش رادیولوژی و تصویربرداری زیست پزشکی در ۲UCSF، در یک گزارش برخی از تجربیات اولیه خود را با هوش مصنوعی در رادیولوژی به اشتراک گذاشت. دکتر مونگان توضیح داد: «از اولین پروژهام که چندین سال پیش بر روی یادگیری عمیق۳ هوش مصنوعی کار میکردم، برای من واضح بود که این فقط یک پیشرفت تدریجی قدم به قدم از جایی که در بینایی کامپیوتر۴ قرار داشتیم نبود. هوش مصنوعی واقعاً چیزی انقلابی بود. هدف من استفاده از هوش مصنوعی به عنوان جدیدترین روش در رادیولوژی است که می تواند ما را قادر سازد رادیولوژی را کارآمدتر و موثرتر انجام دهیم و تشخیصهای غنیتری داشته باشیم. دکتر مونگان میگوید «به منظور ایجاد راهحلهای هوش مصنوعی معنادار مانند مجموعه مراقبتهای بحرانی، مهم است که همکاری نزدیکی با همکاران بالینی خود داشته باشید».
نگاهی به رویکرد برخی توسعه دهندگان پیشرو هوش مصنوعی در چگونگی ادغام یکپارچه هوش مصنوعی در استفاده بالینی
ارزش هر برنامه هوش مصنوعی ممکن است بسته به نیاز در هر محیط بالینی متفاوت باشد. به عنوان مثال، برخی از مناطق ممکن است دسترسی کمتری به پزشکان ماهر برای خواندن تصاویر رادیولوژی داشته باشند، بنابراین انواع خاصی از راه حل های هوش مصنوعی ممکن است برای آنها فوق العاده مفید باشد. در یک سیستم بیمارستانی بزرگتر بیشتر علاقهمندی به استفاده از راهحلهای هوش مصنوعی برای برجسته کردن تصاویر غیرعادی و جلب نظر سریع رادیولوژیستها به آنها است و همچنین استفاده از هوش مصنوعی برای بهبود کارایی در گردش کار رادیولوژی مفید است.
از سوی دیگر نسبت به حساسیت کاری که میخواهیم در انجام آن از هوش مصنوعی کمک بگیریم، نحوه استفاده از هوش مصنوعی و بینایی کامپیوتر متفاوت خواهد بود. از این رو در مقالات انواع گستردهای از روشهای نیمه اتوماتیک و اتوماتیک برای اهداف مختلف در تحلیل و تفسیر تصاویر پزشکی مطالعه شدهاند. در ادامه نگاهی کلی به رویکرد و عملکرد برخی توسعه دهندگان هوش مصنوعی در حوزه تصویربرداری پزشکی در سالهای اخیر خواهیم داشت.
جنرال الکتریک (GE)
مجموعه مراقبتهای حیاتی کمپانی جنرال الکتریک مجموعه ای از الگوریتمهای هوش مصنوعی است که بر روی سیستم های X-Ray برای اندازه گیری های خودکار، اولویت بندی موارد و کنترل کیفیت تعبیه شده است. این مجموعه دارای ابزارهایی است که به منظور کمک به تکنسینها برای تصحیح موقعیت آناتومیک و تأیید انتخاب پروتکل در زمان اسکن، و همچنین چرخش خودکار تصاویر جهت صرفهجویی در وقت برای خواندن رادیولوژیستها در نظر گرفته شده است. برای بهبود تریاژ موارد فوری، هوش مصنوعی همچنین به صورت خودکار تصاویر را پس از دریافت، برای یافتههای حیاتی مانند پنوموتوراکس تجزیه و تحلیل میکند. اعلانهای تریاژ مستقیماً به ۵PACS ارسال میشوند و برای بررسی اولویتدار برای رادیولوژیست علامتگذاری میشوند.
ویژگی جدیدی در هوش مصنوعی که موقعیت لوله داخل تراشه و فاصله آن از کارینا را نشان می دهد، یکی از مواردی است که برای پزشکان مفید بوده و با استفاده از این ویژگی، توانسته اند بیماران را تحت نظر داشته باشند و هنگامی که لوله داخل تراشه به موقعیت غیربهینه پیش میرود و نیاز به اصلاح دارد، به پزشکان هشدار دهد.
فیلیپس (Philips)
در کمپانی فیلیپس، آنها معتقدند که ارزش هوش مصنوعی تنها به اندازه تجربه انسانی است که از آن پشتیبانی میکند. به همین دلیل است که آنها قدرت هوش مصنوعی را با دانش بالینی عمیق ترکیب میکنند تا راهحلهایی ایجاد کنند که در جریان کار ارائهدهندگان مراقبتهای بهداشتی و روالهای سلامت روزانه افراد ادغام شود – از آنها در هر مرحله از زنجیره سلامت پشتیبانی کند. در حال حاضر برنامه این کمپانی برای بکارگیری هوش مصنوعی در حوزه های زیر است.
- افزایش تخصص ارائه دهندگان مراقبت های بهداشتی و حمایت از تصمیم گیری آنها
- بهبود کارایی عملیاتی برای کمک به ارائه دهندگان مراقبت های بهداشتی تا بر روی مراقبت از بیمار تمرکز کنند
- افراد را توانمند کنند تا از سلامت و تندرستی خود مراقبت کنند
زیمنس (Siemens)
این کمپانی نیز تحقیقات زیادی برای توسعه هوش مصنوعی در دستگاههای تصویربرداری پزشکی انجام داده است. در حوزه تشخیص و درمان سرطان آنها معتقدند ویژگی خستگی ناپذیر بودن هوش مصنوعی دقت تشخیص پزشکان را افزایش میدهد. همچنین با توسعه روشهای مبتنی بر یادگیری عمیق، امکان تشخیص دقیق تر و درمان زود هنگام سرطان حاصل میشود که احتمال درمان را افزایش و در عین حال هزینههای درمانی را کاهش میدهد. هوش مصنوعی مانند یک جفت چشم اضافی عمل میکند و بجز دستگاههای اشعه ایکس در مورد سایر دستگاههای تصویربرداری نیز به کمک کاربران میآید. بطور مثال در سرطان ریه که شایعترین و کشندهترین سرطان بین مردان در سراسر جهان است، هوش مصنوعی میتواند با تشخیص خودکار و علامتگذاری گرههای ریه بر روی تصاویر CT به رادیولوژیست کمک کند.
همچنین در زمینه سرطان پروستات که در آن تصویربرداری تشدید مغناطیسی (MRI) به طور معمول روش تصویربرداری انتخابی است، هوش مصنوعی قطعه بندی تصویر خودکار و همچنین تخمین خودکار حجم پروستات را انجام میدهد. این کمپانی از هوش مصنوعی در موارد دیگری نیز به خوبی بهره میبرد.
رینس (Rayence)
کمپانی رینس به عنوان یکی از پیشروان تولید دتکتور و نرم افزار تصویربرداری دیجیتال در جهان، هوش مصنوعی را در نسخه جدید نرم افزار پزشکی خود به نام Xmaru Pro ادغام کرده است. این نرم افزار در مواردی مانند بکار گیری گرید مجازی، تصحیح داینامیک نور تصویر جهت نمایش بهتر جزئیات (HDR)، برش و چرخش اتوماتیک تصاویر و همچنین ادغام چند تصویر با یکدیگر بطور هوشمند عمل میکند. این کمپانی همچنین از هوش مصنوعی (AI) به عنوان یک پشتیبان در تشخیص بهره میبرد. بطور ویژه نرم افزار Xmaru Pro در تشخیص سن استخوان و همچنین غربالگری قفسه سینه به کمک رادیولوژیست میآید. هوش مصنوعی در این نرم افزار وجود پنج یافته اصلی شامل Nodule/Mass, Interstitial Opacity, Consolidation, Pneumothorax, Effusion را بررسی میکند و با ترکیب دادههای حاصل شده در مورد تشخیص بیماریهای عمده ریوی نظیر سرطان ریه، سل و ذات الریه به پزشک کمک میکند. برای بررسی این نرم افزار اینجا کلیک کنید.
گامهای بعدی هوش مصنوعی در اشعه ایکس
یکی از پزشکان UCSF در مورد آینده هوش مصنوعی در اشعه ایکس و همچنین کاربردهای بالقوه آن در سراسر مراقبت های بهداشتی میگوید: «ما انواع چیزهای شگفتانگیز را در لابراتورهای کامپیوتر، نمایشگاه ها و مقالات تحقیقاتی در مورد پتانسیل هوش مصنوعی دیدهایم. “چالش بزرگ بعدی مرحله انتقالی خواهد بود که آن را به پزشکان بیشتر و در گردش کار بالینی آنها برساند. اگر بتوانیم هوش مصنوعی را وارد محیط اطلاعاتی کنیم تا پزشکان بتوانند اطلاعات زمینهای، مانند سابقه پنوموتوراکس (Pneumothorax) بیمار را داشته باشند، این برای رادیولوژیست ها بسیار ارزشمند خواهد بود. برای مثال، اگر مشکوک به پنوموتوراکس باشد، برای رادیولوژیستها اهمیت بالینی زیادی دارد که بدانند آیا جدید است یا خیر. این جایی است که باید به آن برسیم.»
استفاده از نتایج هوش مصنوعی به صورت طولی برای اینکه به پزشکان اجازه دهد تا تاریخچه بیمار را در طول زمان مرور کنند، یکی از حوزههای کلیدی برای کار بیشتر است. در سراسر تخصصها و روشهای بالینی، در دسترس بودن و پذیرش برنامههای هوش مصنوعی به سرعت در حال رشد است و تأثیرات آن در بهبود گردش کار، و همچنین بهبود در تریاژ، تشخیص و مدیریت بیمار مشهود است. ابزارهای مبتنی بر هوش مصنوعی در حال تبدیل شدن به یک ضرورت برای کاهش زمان مورد نیاز در گردش کار رادیولوژی و همچنین ارائه پشتیبانی تصمیم بالینی به پزشکان هستند. صرف زمان برای توسعه ابزارهای هوش مصنوعی که نیازهای پزشکان را برآورده می کند، هوش مصنوعی در مراقبت های بهداشتی یک عامل کلیدی در آینده است.
پانویس:
- تریاژ (به فرانسوی) : (triage) فرایند اولویتبندی بیماران برای بهرهمندی از درمان است که بر اساس شدت وخامت حال بیمار انجام میشود.
- University of California San Francisco Parnassus Campus
- Deep learning
- Computer Vision
- Picture archiving and communication system
مقاله فوق توسط بخش تحقیق و توسعه شرکت دلسا پرتو نگار تهیه شده است، باز نشر محتوای فوق تنها با ذکر نام منبع مجاز می باشد.