به گزارش همشهری آنلاین به نقل از روزنامه همشهری، پتانسیل هوش مصنوعی به پیشرفت‌هایی در مراقبت‌های بهداشتی منجر شده است. برخی از مطالعات نشان می‌دهد که فناوری تشخیص تصویری مبتنی بر الگوریتم‌های یادگیری ماشین می‌تواند سرطان‌های پوست را به همان اندازه متخصصان انسانی طبقه‌بندی کند. به گزارش نیوز ام‌ای‌تی، یکی از شایع‌ترین سرطان‌ها ملانوماست که نوعی تومور بدخیم پوستی است که مسئول بیش از ۷۰ درصد سرطان‌های پوست منجر به مرگ در جهان است. سال‌ها پزشکان به معاینات چشمی خود برای تشخیص ضایعات رنگی مشکوک که می‌توانست نشانه‌ای از سرطان پوست باشد، اعتماد می‌کردند. تشخیص زودهنگام و در مراحل اولیه ضایعات رنگدانه‌ای مشکوک می‌تواند به پیش‌بینی ملانوما و کم‌شدن هزینه درمان منجر شود.
چالش تشخیص زودهنگام بیماری
اما چالش این است که پیداکردن زودهنگام و اولویت‌بندی این مشکل پوستی به‌دلیل حجم بالای ضایعات رنگدانه‌ای مشکوک که اغلب برای بیوپسی بالقوه نیاز به ارزیابی دارد، کار سختی است. برای این چالش، محققان MIT ، با همکاری چند مؤسسه دیگر یک خط لوله هوش مصنوعی جدید را ابداع کرده‌اند که از شبکه‌های عصبی کانولوشنال عمیق (DCNN) استفاده می‌کند و از آنها برای تجزیه و تحلیل ضایعات رنگدانه مشکوک از طریق استفاده از عکاسی میدان وسیع رایج در اکثر گوشی‌های هوشمند و دوربین‌های شخصی سود می‌برد.
DCNNها شبکه‌های عصبی‌ای هستند که می‌تواند برای طبقه‌بندی تصاویر و سپس خوشه‌بندی آنها (مانند زمان انجام جست‌وجوی عکس) استفاده شوند. این الگوریتم‌های یادگیری ماشین به زیرمجموعه یادگیری عمیق تعلق دارند. به‌گفته لوئیس سونکسن، فوق‌دکتری و متخصص دستگاه‌های پزشکی که هم‌اکنون به‌عنوان نخستین سازنده سرمایه‌گذاری MIT در زمینه هوش مصنوعی و مراقبت‌های بهداشتی فعالیت می‌کند، گفت: این برنامه با استفاده از دوربین‌ها برای گرفتن عکس‌های میدان وسیع از نواحی بزرگ بدن بیماران و از DCNN برای شناسایی سریع و مؤثر ملانوما و غربالگری در مراحل اولیه ملانوم استفاده می‌کند.
سونکسن با محققان MIT تحقیقی را آغاز کرد. او اخیرا در مقاله‌ای با عنوان «استفاده از یادگیری عمیق برای تشخیص ضایعات مشکوک رنگدانه پوست از تصاویر میدان وسیع در سطح متخصص پوست» که در مجله علمی Science Translational Medicine منتشر شده، توضیح داده است که تشخیص زودهنگام ضایعات رنگی مشکوک می‌تواند به نجات جان بیمار بینجامد با این حال، ظرفیت فعلی سیستم پزشکی برای ارائه غربالگری‌های پوستی جامع در مقیاس هنوز وجود ندارد.
این مقاله پیشرفت یک سیستم تجزیه و تحلیل ضایعات رنگدانه‌های مشکوک را با استفاده از DCNN برای شناسایی سریع‌تر و کارآمدتر ضایعات پوستی که نیاز به بررسی بیشتر دارند و غربالگری‌هایی که می‌تواند در طول بازدیدهای معمول مراقبت‌های اولیه یا حتی توسط خود بیماران انجام شود، توصیف می‌کند. این سیستم همچنین از DCNNها برای بهینه‌سازی شناسایی و طبقه‌بندی این ضایعات در تصاویر میدان وسیع استفاده کرده است.
عملکرد سیستم
با استفاده از هوش مصنوعی، محققان سیستم را با ۲۰ هزار و ۳۸۸ عکس میدان وسیع از ۱۳۳ بیمار در بیمارستان جورجیو مادرید و همچنین عکس‌های عمومی در دسترس آموزش دادند. این عکس‌ها با دوربین‌ها معمولی مختلف که در دسترس کاربران بود، گرفته شده بود. متخصصان پوستی که با محققان کار می‌کردند ضایعات موجود در عکس‌ها را برای مقایسه به‌طور چشمی، دسته‌بندی کردند و دریافتند این سیستم با اجتناب از نیاز به تصویربرداری ضایعات دست‌وپاگیر و وقت‌گیر، به بیش از ۹۰.۳ درصد حساسیت در تشخیص ضایعات رنگدانه‌ای مشکوک از ضایعات غیرمشکوک، پوست و زمینه‌های پیچیده دست یافته است.
علاوه بر این، این مقاله روش جدیدی را برای استخراج برجستگی ضایعات داخلی بیمار براساس ویژگی‌های DCNN از ضایعات شناسایی‌شده ارائه می‌کند. سونکسن گفت: تحقیقات نشان می‌دهد که سیستم‌هایی که از بینایی رایانه‌ای و شبکه‌های عصبی عمیق استفاده می‌کنند با بررسی علائم رایج، می‌توانند در تشخیص، به‌اندازه دقت متخصصان پوست، عمل کنند. ما امیدواریم که تحقیقات ما تمایل به ارائه غربالگری‌های پوستی کارآمدتر در مراکز مراقبت‌های اولیه را احیا کند تا ارجاعات کافی انجام شود.
طبق گفته محققان انجام‌دادن این کار به ارزیابی‌های سریع و دقیق از ضایعات رنگدانه‌ای مشکوک منجر می‌شود و می‌تواند به درمان زودهنگام ملانوما بینجامد تا جان میلیون‌ها انسانی که به این بیماری مهلک مبتلا می‌شوند در مراحل اولیه نجات پیدا کند.
گری که به‌عنوان نویسنده ارشد این مقاله است، توضیح داده است چطور این پروژه مهم توسعه می‌یابد: این کار به‌عنوان یک پروژه جدید توسعه‌یافته توسط چند نفر از همکاران (۵ نفر از نویسندگان مشترک) در برنامه MIT Catalyst به‌عنوان برنامه‌ای طراحی‌شده برای هسته‌بندی پروژه‌هایی که نیازهای بالینی فوری را برطرف می‌کنند، ایجاد شده است.