مرکز تحقیقات رادیولوژی نوین و تهاجمی | Artificial Intelligence for Rupture Risk Stratification of Small

مرکز تحقیقات رادیولوژی نوین و تهاجمی | Artificial Intelligence for Rupture Risk Stratification of Small
سایت دانشگاه | 28 آبان 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 : 1405/08/23 - 10:47
  • : 29
  • زمان مطالعه : 1 دقیقه

Artificial Intelligence for Rupture Risk Stratification of Small Unruptured Intracranial Aneurysms (≤ 7 mm): A Systematic Review and Meta-analysis

Artificial Intelligence for Rupture Risk Stratification of Small Unruptured Intracranial Aneurysms {faces}

Small unruptured intracranial aneurysms (UIAs; ≤ 7 mm) carry collectively significant rupture risk, yet conventional scoring tools (PHASES, ELAPSS) perform near chance-level in this subgroup. This systematic review and meta-analysis evaluated the pooled diagnostic accuracy of AI-based models for rupture risk prediction in small UIAs and compared performance across algorithmic architectures. Prospectively registered with PROSPERO (CRD420251142915) and conducted per PRISMA-DTA/PRISMA-S standards. MEDLINE, Scopus, and Web of Science were searched in October 2025 and updated on June 2026. Eligible studies applied machine learning (ML), deep learning (DL), radiomics, or computational fluid dynamics–integrated models to small UIAs. Area under the receiver operating characteristic curve (AUC) was pooled via a three-level random-effects model with restricted maximum likelihood estimation and Knapp-Hartung correction; heterogeneity was explored through multivariable meta-regression. Bias and reporting quality were assessed using QUADAS-3 and METRICS, respectively. Ten studies (2019–2025) encompassing 5409 patients, 7057 aneurysms, and 62 models were included. Pooled AUC was 0.793 (95% CI 0.754–0.827), with sensitivity of 0.713 and specificity of 0.780. Conventional ML achieved the highest AUC (0.827), followed by statistical models (0.779) and DL (0.741). Meta-regression explained 76.2% of variance; statistical model family was the sole significant predictor of inferior performance (p = 0.002). Nine of ten studies carried high risk of bias. No publication bias was detected (p = 0.186). AI-based models, particularly conventional ML ensemble architectures, demonstrate moderate-to-good discriminative accuracy for small UIA rupture risk stratification, meaningfully surpassing conventional scoring tools. Multicenter prospective registries, pre-rupture imaging protocols, and explainable AI frameworks are essential to support transparent neurosurgical decision-making.

  • Article_DOI : doi.org/10.1007/s10278-026-02419-8
  • نویسندگان : kavous firouznia,seyed amir asef agah
  • گروه خبر : پژوهش,research article,AI
  • کد خبر : 337868
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