محققان MIT با استفاده از هوش مصنوعی توانسته‌اند زمان تشخیص بیماری‌ها را به طور قابل توجهی کاهش دهند. این سیستم از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل سریع داده‌های پزشکی استفاده می‌کند.
به گزارش تکناک، هوش مصنوعی به پزشکان کمک می‌کند تا تصمیمات سریع‌تر و دقیق‌تری بگیرند. این فناوری می‌تواند در درمان بیماری‌های مختلف، از جمله سرطان، به کار گرفته شود و به بهبود فرایندهای تشخیص کمک کند.
برای چشم غیرمتخصص، تصویر پزشکی مانند: MRI یا اشعه ایکس ممکن است به عنوان مجموعه‌ای گیج‌کننده از اشکال سیاه و سفید به نظر برسد.
تشخیص اینکه یک ساختار، مانند تومور، کجا به پایان می‌رسد و ساختار دیگر از کجا شروع می‌شود، می‌تواند چالش‌برانگیز باشد.
هنگامی که سیستم‌های هوش مصنوعی برای درک مرزهای ساختارهای بیولوژیکی آموزش می‌بینند، می‌توانند مناطق مورد نظری را که پزشکان و سایر متخصصان می‌خواهند برای بیماری‌ها و سایر ناهنجاری‌ها نظارت کنند، تقسیم‌بندی یا ترسیم نمایند.
در نتیجه به جای اتلاف وقت برای بررسی دستی آناتومی در تصاویر متعدد، یک دستیار هوش مصنوعی می‌تواند این کار را انجام دهد.
هوش مصنوعی ScribblePrompt
به این منظور پژوهشگران آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL)، بیمارستان عمومی ماساچوست (MGH) و دانشکده پزشکی هاروارد یک ابزار تعاملی به نام چارچوب “ScribblePrompt” طراحی کرده‌اند.
این ابزار می‌تواند به سرعت هر تصویر پزشکی، حتی انواعی که در گذشته ندیده است، بدون جمع‌آوری داده‌های خسته‌کننده، بخش‌بندی کند.
به جای علامت‌گذاری دستی هر تصویر، تیم تحقیقاتی شبیه‌سازی کرد که کاربران چگونه بیش از ۵۰,۰۰۰ اسکن، از جمله MRI، سونوگرافی و عکس‌ها را در ساختارهای چشم، سلول‌ها، مغز، استخوان‌ها، پوست و موارد دیگر حاشیه‌نویسی می‌کنند.
محققان از الگوریتم‌ها برای حاشیه‌نویسی تمام این اسکن‌ها استفاده و شیوه حاشیه‌نویسی و کلیک کاربران روی مناطق مختلف تصاویر پزشکی را شبیه‌سازی کردند.
علاوه بر مناطق برچسب‌گذاری شده، تیم از الگوریتم‌های سوپرپیکسل برای شناسایی مناطق جدید بالقوه مورد علاقه پژوهشگران پزشکی استفاده کردند و هوش مصنوعی ScribblePrompt را برای بخش‌بندی آنها آموزش دادند.
سیستم ScribblePrompt داده‌های مصنوعی را برای رسیدگی به درخواست‌های بخش‌بندی واقعی از کاربران آماده کرده است.
این داده‌های مصنوعی به ScribblePrompt کمک می‌کند تا به درخواست‌های بخش‌بندی واقعی از کاربران پاسخ دهد.
هالی وونگ، نویسنده اصلی این مطالعه گفت: «با کاهش زمان حاشیه‌نویسی به میزان ۲۸ درصد این هوش مصنوعی پتانسیل قابل توجهی در تحلیل تصاویر و داده‌های با ابعاد بالا دارد تا به انسان‌ها کمک کند کارها را به صورت مؤثرتری انجام دهند.»
وی اعلام کرد: «ما می‌خواهیم تلاش‌های کارکنان پزشکی را از طریق یک سیستم تعاملی تقویت کنیم و جایگزین نخواهیم کرد. ScribblePrompt یک مدل ساده با کارایی زیاد است که به پزشکان کمک می‌کند روی بخش‌های مهم‌تر تحلیل خود تمرکز کنند.»
این ابزار سریع‌تر و دقیق‌تر از روش‌های بخش‌بندی تعاملی مشابه است و زمان حاشیه‌نویسی را به میزان ۲۸ درصد در مقایسه با چارچوب Segment Anything Model (SAM) متا کاهش می‌دهد.
رابط کاربری ScribblePrompt ساده است، به این صورت که کاربران می‌توانند روی ناحیه‌ای که می‌خواهند بخش‌بندی شود، خط بکشند یا روی آن کلیک کنند و ابزار کل ساختار یا پس‌زمینه را به طور درخواستی برجسته می‌کند.
به عنوان مثال، می‌توانید روی رگ‌های فردی در یک اسکن شبکیه (چشم) کلیک کنید. هوش مصنوعی ScribblePrompt همچنین می‌تواند یک ساختار را با استفاده از یک جعبه مرزی علامت‌گذاری کند.
این ابزار سپس می‌تواند بر اساس بازخورد کاربر اصلاحاتی انجام دهد. به عنوان مثال، اگر بخواهید یک کلیه را در یک سونوگرافی برجسته کنید، می‌توانید از یک جعبه مرزی استفاده نمایید و سپس بخش‌های اضافی ساختار را در صورتی که ScribblePrompt لبه‌ای را از دست داده باشد، خط بکشید.
اگر بخواهید بخش خود را ویرایش کنید، می‌توانید از خط‌کشی منفی برای حذف نواحی خاص استفاده نمایید.
این قابلیت‌های خوداصلاحی و تعاملی، هوش مصنوعی ScribblePrompt را در یک مطالعه کاربری به ابزار مورد علاقه محققان تصویربرداری عصبی در MGH تبدیل کرد.
۹۳.۸ درصد از این کاربران، روش MIT را نسبت به مدل SAM در بهبود بخش‌های خود در پاسخ به اصلاحات خط‌کشی ترجیح دادند.
در مورد ویرایش‌های مبتنی بر کلیک، ۸۷.۵ درصد از محققان پزشکی ScribblePrompt را ترجیح دادند.
سیستم ScribblePrompt با استفاده از خط‌کشی‌های شبیه‌سازی شده و کلیک روی ۵۴۰۰۰ تصویر از ۶۵ مجموعه داده که شامل اسکن‌های چشم، قفسه سینه، ستون فقرات، سلول‌ها، پوست، عضلات شکم، گردن، مغز، استخوان‌ها، دندان‌ها و ضایعات بود، آموزش داده شد.
این مدل با ۱۶ تصویر پزشکی از جمله میکروسکوپی‌ها، سی‌تی‌اسکن‌ها، اشعه ایکس، ام‌آر‌آی‌ها، سونوگرافی‌ها و عکس‌ها آشنا شد.
وونگ بیان کرد: «بسیاری از روش‌های موجود به خوبی به خط‌کشی کاربران روی تصاویر پاسخ نمی‌دهند، چرا که شبیه‌سازی چنین تعاملاتی در آموزش دشوار است.»
وی توضیح داد: «در ScribblePrompt، ما توانستیم مدل هوش مصنوعی خود را مجبور کنیم تا با استفاده از وظایف بخش‌بندی مصنوعی به ورودی‌های مختلف توجه کند.»
