گروهی رادیولوژیست از بیمارستان عمومی ماساچوست(MGH) با طراحی یک سیستم هوش مصنوعی قصد دارند از آن برای تشخیص سریع و طبقه‌بندی خونریزی‌های مغزی استفاده نمایند تا بر اساس مجموعه کوچک اطلاعاتی خود، مبنایی را برای تصمیم‌گیری‌های حیاتی فراهم آورند. پزشکان از این سیستم به عنوان یک ابزار ضروری برای بخش‌های اورژانس بیمارستانی استفاده خواهند کرد تا بیماران مبتلا به علائم خطرناک سکته‌ی مغزی را ارزیابی کرده و در کم‌ترین زمان ممکن درمان درست را اعمال نمایند.
با وجود پیشرفت‌های چشمگیری که در زمینه‌ی یادگیری ماشین (Machine Learning) رخ داده است اما این تحول با مشکلاتی مانند “جعبه‌ی سیاه” مواجه است که به عدم توانایی سیستم‌ها برای توضیح مسیری اشاره دارد که به یک تصمیم منتهی شده است.
Lee – یکی از دو نویسنده این مطالعه – می‌گوید: “علی‌رغم اینکه جمع‌آوری داده‌های با کیفیت در پژوهش‌های پزشکی کاری دشوار است، اما با استفاده از الگوریتم‌ها برای تصمیم‌گیری‌های بالینی به کمک ماشین یادگیری، می‌توان کیفیت و امکان دسترسی به مراقبت را نیز ارتقا بخشید.”
این مطالعه برای آموزش سیستم خود، از ۹۰۴ تصویر سی‌تی اسکن استفاده کرد که توسط یک تیم پنج نفره از نورولوژیست‌های این بیمارستان بررسی شدند تا این موضوع مشخص شود که هر تصویر براساس محل خونریزی در مغز، در کدام یک از پنج زیرمجموعه از خونریزی، قرار می‌گیرد یا اینکه اصلا خونریزی نداشته‌است. این تیم به منظور ارتقاء دقت سیستم یادگیری عمیق، مراحلی مشابه با مراحل تجزیهوتحلیل رادیولوژیست‌ها را طراحی کرد. در این شبیه‌سازی عواملی مانند کنتراست و روشنایی برای تشخیص تفاوت‌های ظریف درنظر گرفته شدند تا به کمک آن تعیین کنند آیا موضوع مورد مشاهده در یک تصویر، نشان‌دهنده‌ی یک مشکل واقعی است یا نه.
محققان دو گروه از تصاویر اسکن را مقایسه کردند که در گروه نخست، یک زیرگروه ۱۰۰تایی از تصاویر خونریزی مغزی و یک زیرگروه ۱۰۰تایی از تصاویر بدون خونریزی مغزی به صورت گذشته‌نگر و در گروه دوم، یک زیرگروه ۷۹تایی از تصاویر را با یک زیرگروه ۱۱۷تایی از دیگر تصاویر به صورت آینده‌نگر مقایسه کردند و نشان دادند که در تجزیهوتحلیل گذشته‌نگر، این سیستم توانسته‌است خونریزی‌های مغزی را با دقت یک رادیولوژیست تشخیص داده و طبقه‌بندی کند. همچنین در تجزیهوتحلیل تصاویر گروه دوم به صورت آینده‌نگر، این سیستم تنها بهتر از خوانندگان غیرمتخصص انسان عمل کرد.
این تیم مطالعاتی برای حل مشکل “جعبه سیاه” با بررسی دقیق سیستم و ذخیره‌سازی تصاویر، توانستند به وضوح ویژگی‌های معمول در هر یک از پنج زیرمجموعه‌ی خونریزی را نشان دهند.
به اعتقاد این تیم مطالعاتی، دسترسی به متخصصان نورولوژیست به ویژه در شب یا در زمان تعطیلات برای تعیین خونریزی در بیمار دشوار است بنابراین با تشخیص سریع خونریزی داخل جمجمه و درمان فوری می‌توان مانع از اختلالات عمده یا مرگ شده یا آن را کاهش داد. بنابراین در دسترس بودن یک سیستم مجازی که توسط نورورادیولوژیست‌های مختصص آموزش دیده باشد، می‌توان اطمینان داشت که بیماران درمان مناسب را دریافت خواهند کرد.
☑ لینک خبر
☑ لینک مقاله
