به گزارش گروه دانشگاه خبرگزاری دانشجو، هوش مصنوعی جدید ۹۷ درصد از بیماری‌های ریوی را تشخیص می‌دهد و می‌تواند ذات الریه را از COVID-۱۹ تشخیص دهد.
یک مدل جدید هوش مصنوعی می‌تواند وجود بیماری‌های ریوی مختلف را از ویدیو‌های اولتراسوند با دقت ۹۶.۵۷ درصد تشخیص دهد و حتی می‌تواند تشخیص دهد که آیا این ناهنجاری‌ها به دلیل ذات‌الریه، کووید-۱۹ یا سایر شرایط است.
این مدل که توسط محققان دانشگاه چارلز داروین استرالیا (CDU) توسعه داده شد، تیم UnitThe دو نوع مدل هوش مصنوعی را با هم ترکیب کرد و نشان داد که این فناوری چقدر برای نیاز‌های تشخیصی سازگار است. یکی، که به عنوان یک شبکه عصبی کانولوشن (CNN) شناخته می‌شود، به دنبال الگو‌هایی در تصاویر یا فریم‌ها است و بر کوچک‌ترین تغییرات مبتنی بر پیکسل تمرکز دارد که چشم انسان می‌تواند هنگام بررسی اسکن‌ها از دست بدهد. سپس، یک مدل حافظه کوتاه‌مدت بلند مدت (LSTM) از این اطلاعات استفاده می‌کند و آن را در یک زمینه وسیع‌تر قرار می‌دهد و داده‌های CNN را در طول زمان تجزیه و تحلیل می‌کند در حالی که داده‌های نامربوط را «فراموش می‌کند.
مدل هیبریدی جدید که با نام TD-CNNLSTM-LungNet ترکیب شده است، می‌تواند ناهنجاری‌ها را به خوبی تشخیص دهد و سپس توضیح دهد که مشکل چیست. علاوه بر این، می‌تواند تعیین کند که آیا اسکن‌ها شواهدی از ذات‌الریه، COVID-۱۹، سایر بیماری‌های ریوی را نشان می‌دهند یا اینکه ریه‌ها طبیعی هستند. با نرخ "یادآوری" بالای ۹۶.۵۱ ٪، این اساساً به این معنی است که تعداد کمی از منفی‌های کاذب توسط هوش مصنوعی شناسایی شده است - که در درمان شرایط ریوی بحرانی زمان مهم است.
با استفاده از ویدئو‌های اولتراسوند از مجموعه داده‌های موجود، این مدل از ابزار‌های تشخیصی هوش مصنوعی موجود پیشی گرفت، که در حال حاضر امتیازی در حدود ۹۰ تا ۹۲% دارند. دانشگاه بین‌المللی و دانشگاه کاتولیک استرالیا (ACU)، می‌توانند الگو‌های خاصی از بیماری‌های ریوی مختلف را شناسایی کنند، و از ابزار‌های هوش مصنوعی قبلی بهتر عمل می‌کنند. بر روی همان مجموعه داده‌های اولتراسوند آزمایش شده‌اند.
نیوشا شفیع آبادی، یکی از نویسندگان این مطالعه، استاد دانشگاه CDU، گفت: این مدل همچنین از تکنیک‌های هوش مصنوعی برای نشان دادن اینکه چرا تصمیم‌های خاصی گرفته است، استفاده می‌کند و اعتماد و درک نتایج را برای آنها آسان‌تر می‌کند.» این مدل به پزشکان کمک می‌کند تا بیماری‌های ریوی را سریع و دقیق تشخیص دهند، از تصمیم‌گیری آنها پشتیبانی می‌کند، در زمان صرفه‌جویی می‌کند و به عنوان یک ابزار آموزشی ارزشمند عمل می‌کند.
در حالی که شک کمی وجود دارد که تشخیص هوش مصنوعی به زودی در کلینیک‌ها رایج خواهد شد، تردید و بی اعتمادی نسبت به این فناوری در حال ظهور همچنان وجود دارد. در حالی که چت ربات‌های هوش مصنوعی که اکنون می‌توانیم با آنها تعامل داشته باشیم، برای ارزیابی بالینی اسکن‌ها یا آزمایش‌های پزشکی در این مرحله آموزش ندیده‌اند، مدل‌های خاصی در حال توسعه هستند تا ابزار‌های قابل اعتمادی در مراقبت‌های بهداشتی باشند.
به عنوان مثال، فقط یک سال پیش سازمان غذا و داروی آمریکا (FDA) استفاده از دستگاه DermaSensor را تایید کرد، اولین دستگاه هوشمند مجهز به هوش مصنوعی که نشان داده شد قادر به تشخیص حدود ۲۰۰ نوع مختلف سرطان پوست است. (اتفاقاً، من یک کارسینوم سلول پایه داشتم که از طریق یک دستگاه دوربین گوشی هوشمند مشابه و نرم افزار هوش مصنوعی شناسایی شد.) در حالی که این ابزار‌ها برای جایگزینی متخصصان پزشکی در نظر گرفته نشده‌اند - متخصص سرطان پوست من قبل از استفاده از دوربین هوش مصنوعی، به درستی نقطه سرطانی پشت من را شناسایی کرد. دستگاه - آنها قرار است به سودمندترین و مقرون به صرفه‌ترین فناوری تبدیل شوند که تا به حال در پزشکی دیده‌ایم.
این مدل جدید هوش مصنوعی بیماری ریوی به ما سرنخی از آنچه که هنوز در راه است به ما می‌دهد، به طوری که می‌تواند تفاوت‌های ظریف را به درستی تشخیص دهد که باعث تمایز، به عنوان مثال COVID-۱۹ از ذات الریه می‌شود. همانطور که محققان خاطرنشان کردند، هر دوی این شرایط شبیه به چشم انسان به نظر می‌رسیدند، اما الگو‌های مشخصی داشتند که به مدل هوش مصنوعی این امکان را می‌داد تا تفاوت را تشخیص دهد. سپس گزارشی در مورد اینکه چرا برای هر اسکن به نتیجه رسید، تهیه می‌کند.
شفیع آبادی گفت: توضیحپذیری مدل پیشنهادی با هدف افزایش قابلیت اطمینان این رویکرد است. این سیستم به پزشکان نشان می‌دهد که چرا تصمیمات خاصی را با استفاده از تصاویری مانند نقشه‌های حرارتی گرفته است. این تکنیک تفسیر به رادیولوژیست کمک می‌کند تا ناحیه تمرکز را مشخص کند و شفافیت بالینی را به طور قابل توجهی بهبود بخشد.
در سال ۲۰۲۴، گام‌های بزرگی توسط گوگل در زمینه تشخیص پزشکی و هوش مصنوعی برداشته شد. به طور مشابه، این فناوری برای مراقبت‌های بهداشتی در حال توسعه است تا به همه چیز از جراحی گرفته تا کشف دارو کمک کند. قبلاً پتانسیل خود را برای استفاده در تشخیص تومور‌های مغزی و سایر سرطان‌ها نشان داده است.
شفیع آبادی خاطرنشان کرد: تا زمانی که این مدل بر روی داده‌های صحیح آموزش دیده باشد، این پتانسیل را دارد که توانایی‌های تشخیصی بیماری‌های ریوی خود را افزایش دهد و علائم سل، سیاه ریه، آسم، سرطان، بیماری مزمن ریوی و فیبروز ریوی را تشخیص دهد؛ و محققان امیدوارند که این مدل را به گونه‌ای تطبیق دهند که بتوانند به طور دقیق موارد بیشتری از سونوگرافی‌ها مانند سی تی اسکن و اشعه ایکس را ارزیابی کنند.
این تحقیق در مجله Frontiers in Computer Science منتشر شده است.