کاربرد هوش مصنوعی در رادیولوژی

این روزها بسیار درباره هوش مصنوعی و نمونه های در دسترس آن مانند چت جی پی تی، بینگ مایکروسافت، گوگل بارد، میدجرنی و ... میشنویم. اگرچه کاربردهایی که هم اکنون در دسترس همگانی قرار دارد تا حدودی ابتدایی و بیشتر جنبه سرگرمی دارد ولی بدون تردید این نمونه های آزمایشی پیش درآمد کاربردهای غیر منتظره و شگرف در آینده است و چندان دور نیست زمانی که این فن آوری زندگی بشر را از بنیان دگرگون کند.

در پزشکی و شاخه تشخیصی آن یعنی رادیولوژی نیز کاربردهای هوش مصنوعی در حال گسترش است. تشخیص و دسته بندی تومورهای مغزی، تشخیص شکستگی پنهان، ساخت مدلهای سه بعدی از تصاویر رادیولوژی، شناسایی آلزایمر و پارکینسون از طریق حرکت چشم و الگوی گفتار و نیز شناسایی سرطان سینه و ریه از روی تصاویر رادیولوژی از آن جمله اند.

در رادیولوژی از تصاویر رادیوگرافی، ام آر آی، سی تی اسکن، سونوگرافی و ماموگرافی برای بررسی اندامها و تشخیص بیماریها از جمله سرطان استفاده میشود. در این میان ماموگرافی یک ابزار کارآمد و ضروری برای تشخیص سرطان سینه است. ولی همانند بیشتر روشهای تشخیصی، این روش بی نقص نیست و همیشه نمی‌توان با تصاویر آن با اطمینان سرطان سینه را تشخیص داد. در واقع، از هر پنج زن یکی ممکن است سرطانش در ماموگرافی درست تشخیص داده نشود. دو چالش اصلی در تشخیص سرطان سینه با ماموگرافی وجود دارد. اولین چالش منفی کاذب است که بیمار با وجود داشتن سرطان سینه، سالم تشخیص داده میشود. از سوی دیگر نتیجه مثبت کاذب است به این معنی که ما گمان می‌کنیم بیمار سرطان دارد در حالی که بیمار سالم است.

رایانه‌ها مانند انسان‌ها میتوانند از طریق دیدن نمونه ها یاد بگیرند. برای آموزش یک سیستم هوش مصنوعی به منظور تفسیر ماموگرافی، به آن نمونه های بسیاری از تصاویر ماموگرافی داده میشود که شامل نمونه های سرطانی و نمونه های سالم هستند. سپس به آنها گفته میشود که این موارد دارای سرطان هستند و آن موارد سالم بوده اند. پس از نشان دادن نمونه های بسیار زیاد و از طریق آزمون و خطا، هوش مصنوعی در نهایت یاد می‌گیرد که از روی تصویر ماموگرافی تشخیص دهد که آیا بیمار براستی سالم است یا اینکه به سرطان پستان مبتلاست. در نهایت رادیولوژیست با در نظر گرفتن تشخیص هوش مصنوعی، بهتر میتواند درباره سالم یا سرطانی بودن بیمار تصمیم گیری کند.

در این مورد برتری هوش مصنوعی بر انسان، علاوه بر دیتای عظیمی که با آن آموزش میبیند، دقت و حساسیت زیادتر آن در پردازش تصویر، نسبت به چشم و مغز انسان است که میتواند جزئیاتی را در تصاویر رادیولوژی ببیند که از چشم رادیولوژیست ممکن است غافل مانده باشد. علاوه بر این رادیولوژیست باید زمان زیادی برای بررسی تصاویر صرف کند. چه بسا نیاز به مشورت با همکاران خود داشته باشد و در نهایت جمع بندی و تنظیم گزارش نیز ممکن است زمانبر باشد در حالی که برای هوش مصنوعی همه اینها در چند ثانیه کوتاه قابل انجام است.

در پژوهشی که توسط گوگل و پژهشگران دانشگاه نورث وسترن چند سال پیش انجام شد درعمل این روش آزموده شده و برای نمونه در یک مورد تصویر ماموگرافی بیمار سرطانی، شش رادیولوژیست نتوانسته اند سرطان را تشخیص دهند ولی الگوریتم هوش مصنوعی آن را بدرستی تشخیص داد. اگرچه در این پژوهش هوش مصنوعی اشتباهاتی هم داشت ولی در کل توانسته اند با کمک آن 9% بیشتر نسبت به حالت عادی ، سرطان را تشخیص دهند و همچنین تشخیص مثبت کاذب به میزان 5.7% کاهش داشته است.

در آینده نزدیک کاربردهای هوش مصنوعی در پزشکی در سطح جهانی استانداردسازی خواهد شد و این فن آوری در کنار نظارت انسانی تشخیصهای بیماری را دقیقتر و آسانتر خواهد کرد و چه بسا در آینده تفسیر تصاویر رادیولوژی با هوش مصنوعی برای کلینیکهای رادیولوژی یک رویه عادی باشد و در دستگاههای رادیولوژی که روانه بازار خواهند شد به احتمال زیاد این امکان بطور پیش فرض در نرم افزار آنها اضافه خواهد شد.