مرکز تحقیقات رادیولوژی نوین و تهاجمی | Application of radiomics in abdominal aortic aneurysm

مرکز تحقیقات رادیولوژی نوین و تهاجمی | Application of radiomics in abdominal aortic aneurysm
سایت دانشگاه | 11 مرداد 1405
logo

مرکز تحقیقات رادیولوژی نوین و تهاجمی

دانشگاه علوم پزشکی تهران

 

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:

MRI

 (تصویربرداری تشدید مغناطیسی) یک روش تصویربرداری پزشکی غیرتهاجمی است که برای تولید تصاویر دقیق از اندام‌ها، بافت‌ها و ساختارهای داخلی بدن استفاده می‌شود. این فناوری از میدان‌های مغناطیسی قوی و امواج رادیویی برای تولید تصاویر با وضوح بالا بهره می‌برد. برخلاف اشعه ایکس یا سی‌تی‌اسکن، MRI از پرتوهای یونیزان استفاده نمی‌کند و به همین دلیل برای بیماران ایمن‌تر است.

 

1-  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.

 

3. 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.

 

4. 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:

 

  • تاریخ انتشار : 1405/05/05 - 08:24
  • : 35
  • زمان مطالعه : 1 دقیقه

Application of radiomics in abdominal aortic aneurysm and endovascular aneurysm repair-related adverse events imaging: a systematic review

Application of radiomics in abdominal aortic aneurysm {faces}

Background: Abdominal aortic aneurysm (AAA) carries high morbidity and mortality, while adverse events (AE) after endovascular aneurysm repair (EVAR) remain a major challenge. Accurate risk stratification is essential. Radiomics, by extracting quantitative imaging features, offers a noninvasive approach that may improve prediction of AAA outcomes and EVAR-related AE beyond conventional imaging.

Main body: A search was conducted across Medline, Scopus, Embase, and Web of Science databases for articles published up to February 2024 to evaluate the application of radiomics in predicting the outcomes of AAA and diagnosing or predicting the AE related to EVAR. Inclusion criteria concentrated on observational studies that utilized a radiomics model based on the radiomic features extracted from imaging modalities to predict AAA outcomes and predict or diagnose EVAR-related AE. Eight studies involving 1729 observations met the inclusion criteria out of the 371 records yielded from the databases. Radiomics achieved a high area under the receiver operating characteristic (ROC) curve (AUROC) for predicting EVAR-related AE in three studies (up to 0.95), and it showed predictive value for AAA growth in three studies (AUROC 0.79-0.93) and rupture or repair in one study (AUROC 0.75). One study highlighted the diagnostic value of radiomics in post-EVAR endoleak detection using unenhanced computed tomography images (AUROC 0.91).

Conclusion: Radiomics showed promising but preliminary results in predicting AAA outcomes and EVAR-related AE, providing a noninvasive tool for risk assessment. However, further research with larger cohorts and external validation of the radiomics models is essential to confirm its clinical applicability.

  • Article_DOI : 10.1186/s42155-026-00729-0
  • نویسندگان : hamed ghorani ,seyed ali forouzannia
  • گروه خبر : پژوهش,research article,AI
  • کد خبر : 326614
کلمات کلیدی
نفیسه السادات قوامی
تهیه کننده:

نفیسه السادات قوامی

0 نظر برای این مطلب وجود دارد

ارسال نظر

نظر خود را وارد نمایید:

متن درون تصویر را در جعبه متن زیر وارد نمائید *
متن مورد نظر خود را جستجو کنید
تنظیمات پس زمینه