فعالیت‌های مرکز تحقیقات رادیولوژی در حوزه هوش‌ مصنوعی

با توجه به حجم گسترده داده‌های تصویری که روزانه تولید می‌شود، مراکز تحقیقات رادیولوژی پتانسیل عظیمی برای بهره‌گیری از هوش مصنوعی دارند. این فناوری می‌تواند دقت و سرعت تشخیص بیماری‌ها را به طور چشمگیری بهبود بخشد و به رادیولوژیست‌ها در اتخاذ تصمیمات بالینی آگاهانه کمک کند. در ادامه برخی از فعالیت‌های مراکز تحقیقات رادیولوژی در حوزه هوش مصنوعی آورده شده است:

۱. توسعه الگوریتم‌های تشخیص خودکار بیماری‌ها:

تشخیص تومور: توسعه الگوریتم‌هایی برای تشخیص خودکار انواع تومورها در تصاویر رادیولوژی (مانند سی‌تی اسکن، ام‌آر‌آی و پت اسکن).
تشخیص بیماری‌های ریوی: تشخیص خودکار بیماری‌هایی مانند پنومونی، کووید-۱۹ و فیبروز ریوی.
تشخیص بیماری‌های قلبی-عروقی: تشخیص زودهنگام بیماری‌های قلبی-عروقی مانند آنوریسم آئورت و تنگی عروق کرونر.

۲. بهینه‌سازی فرآیندهای تصویربرداری:

کاهش دوز پرتو: توسعه الگوریتم‌هایی برای کاهش دوز پرتو در حین انجام تصویربرداری، به ویژه برای کودکان و زنان باردار.
بهبود کیفیت تصاویر: استفاده از هوش مصنوعی برای بهبود کیفیت تصاویر رادیولوژی و کاهش نویز.
تسهیل تفسیر تصاویر: توسعه ابزارهایی برای کمک به رادیولوژیست‌ها در تفسیر تصاویر رادیولوژی، مانند برجسته‌سازی مناطق مشکوک.

۳. تحلیل داده‌های بزرگ (Big Data):

شناسایی الگوها: استفاده از الگوریتم‌های یادگیری ماشین برای شناسایی الگوهای پنهان در داده‌های رادیولوژی و کشف ارتباطات جدید بین بیماری‌ها و عوامل خطر.
پیش‌بینی پیشرفت بیماری: پیش‌بینی روند پیشرفت بیماری در بیماران مبتلا به بیماری‌های مزمن.
ارزیابی اثربخشی درمان: ارزیابی اثربخشی روش‌های مختلف درمانی بر اساس داده‌های رادیولوژی.

۴. توسعه ابزارهای کمک‌تشخیصی:

کمک به رادیولوژیست‌ها: توسعه ابزارهایی برای کمک به رادیولوژیست‌ها در تشخیص بیماری‌ها، مانند ابزارهای اندازه‌گیری خودکار و طبقه‌بندی خودکار ضایعات.
تفسیر گزارش‌های رادیولوژی: توسعه سیستم‌هایی برای تفسیر خودکار گزارش‌های رادیولوژی و استخراج اطلاعات کلیدی.

۵. همکاری با سایر حوزه‌ها:

همکاری با مهندسان نرم‌افزار: توسعه و پیاده‌سازی الگوریتم‌های هوش مصنوعی.
همکاری با متخصصان پزشکی: اعتبارسنجی مدل‌های هوش مصنوعی و اطمینان از اثربخشی آن‌ها در محیط‌های بالینی.
همکاری با دانشمندان داده: جمع‌آوری، پردازش و تحلیل داده‌های رادیولوژی.

۶. آموزش و پژوهش:

آموزش پرسنل: برگزاری دوره‌های آموزشی برای آشنایی پرسنل مرکز با مفاهیم و کاربردهای هوش مصنوعی در رادیولوژی.
انجام پژوهش‌های بنیادی: انجام پژوهش‌های بنیادی در حوزه هوش مصنوعی برای رادیولوژی به منظور توسعه الگوریتم‌های جدید و بهبود روش‌های موجود.
انتشار مقالات علمی: انتشار نتایج پژوهش‌ها در مجلات معتبر علمی.

جمع‌بندی:
با توجه به پیشرفت‌های سریع در حوزه هوش مصنوعی، نقش آن در رادیولوژی در آینده بیش از پیش پررنگ خواهد شد. مرکز تحقیقات رادیولوژی می‌تواند با سرمایه‌گذاری در این حوزه، سهم بسزایی در پیشرفت‌های پزشکی و بهبود خدمات تشخیصی ایفا کند.

دستاوردهای علمی مرکز در زمینه هوش مصنوعی به شرح زیر می باشد:

A Multi-centric Evaluation of Deep Learning Models for Segmentation of COVID-19 Lung Lesions on Chest CT Scans

Background:

Chest computed tomography (CT) scan is one of the most common tools used for the diagnosis of patients with coronavirus disease 2019 (COVID-19). While segmentation of COVID-19 lung lesions by radiologists can be time-consuming, the application of advanced deep learning techniques for automated segmentation can be a promising step toward the management of this infection and similar diseases in the future.

Objectives:

This study aimed to evaluate the performance and generalizability of deep learning-based models for the automated segmentation of COVID-19 lung lesions.

Patients and Methods:

Four datasets (2 private and 2 public) were used in this study. The first and second private datasets included 297 (147 healthy and 150 COVID-19 cases) and 82 COVID-19 subjects. The public datasets included the COVID19-P20 (20 COVID-19 cases from 2 centers) and the MosMedData datasets (50 COVID-19 patients from a single center). Model comparisons were made based on the Dice similarity coefficient (DSC), receiver operating characteristic (ROC) curve, and area under the curve (AUC). The predicted CT severity scores by the model were compared with those of radiologists by measuring the Pearson’s correlation coefficients (PCC). Also, DSC was used to compare the inter-rater agreement of the model and expert against that of 2 experts on an unseen dataset. Finally, the generalizability of the model was evaluated, and a simple calibration strategy was proposed.

Results:

The VGG16-UNet model showed the best performance across both private datasets, with a DSC of 84.23% ± 1.73% on the first private dataset and 56.61% ± 1.48% on the second private dataset. Similar results were obtained on public datasets, with a DSC of 60.10% ± 2.34% on the COVID19-P20 dataset and 66.28% ± 2.80% on a combined dataset of COVID19-P20 and MosMedData. The predicted CT severity scores of the model were compared against those of radiologists and were found to be 0.89 and 0.85 on the first private dataset and 0.77 and 0.74 on the second private dataset for the right and left lungs, respectively. Moreover, the model trained on the first private dataset was examined on the second private dataset and compared against the radiologist, which revealed a performance gap of 5.74% based on DSCs. A calibration strategy was employed to reduce this gap to 0.53%.

Conclusion:

The results demonstrated the potential of the proposed model in localizing COVID-19 lesions on CT scans across multiple datasets; its accuracy competed with the radiologists and could assist them in diagnostic and treatment procedures. The effect of model calibration on the performance of an unseen dataset was also reported, increasing the DSC by more than 5%.

Article_DOI : 10.5812/iranjradiol-117992
نویسندگان : masoumeh gity,arvin arian,saman sotoudeh-paima,navid hasanzadeh,ali bashirgonbadi,amin aref,mehran naghibi,mostafa zoorpaikar,hamid soltanian-zadeh
گروه خبر : پژوهش,مقالات,research article,covid19,AI
کد خبر : 272854

key words

مرکز تحقیقات رادیولوژی نوین و تهاجمی

دانشگاه علوم پزشکی تهران

فعالیت‌های مرکز تحقیقات رادیولوژی در حوزه هوش‌ مصنوعی

۱. توسعه الگوریتم‌های تشخیص خودکار بیماری‌ها:

۲. بهینه‌سازی فرآیندهای تصویربرداری:

۳. تحلیل داده‌های بزرگ (Big Data):

۴. توسعه ابزارهای کمک‌تشخیصی:

۶. آموزش و پژوهش:

A Multi-centric Evaluation of Deep Learning Models for Segmentation of COVID-19 Lung Lesions on Chest CT Scans

Background:

Objectives:

Patients and Methods:

Results:

Conclusion:

مدیر سایت

0 نظر برای این مطلب وجود دارد

ارسال نظر

مرکز تحقیقات رادیولوژی نوین و تهاجمی

دانشگاه علوم پزشکی تهران

پیوندها

لینک های مفید

نظرات

متن مورد نظر خود را جستجو کنید

انتخاب حالت کور رنگی

مرکز تحقیقات رادیولوژی نوین و تهاجمی

دانشگاه علوم پزشکی تهران

فعالیت‌های مرکز تحقیقات رادیولوژی در حوزه هوش‌ مصنوعی

۱. توسعه الگوریتم‌های تشخیص خودکار بیماری‌ها:

۲. بهینه‌سازی فرآیندهای تصویربرداری:

۳. تحلیل داده‌های بزرگ (Big Data):

۴. توسعه ابزارهای کمک‌تشخیصی:

۶. آموزش و پژوهش:

A Multi-centric Evaluation of Deep Learning Models for Segmentation of COVID-19 Lung Lesions on Chest CT Scans

Background:

Objectives:

Patients and Methods:

Results:

Conclusion:

مدیر سایت

0 نظر برای این مطلب وجود دارد

ارسال نظر

ارسال به دوستان

مرکز تحقیقات رادیولوژی نوین و تهاجمی

دانشگاه علوم پزشکی تهران

پیوندها

لینک های مفید

نظرات

متن مورد نظر خود را جستجو کنید

انتخاب حالت کور رنگی