مرکز تحقیقات رادیولوژی نوین و تهاجمی | Conformalized Semi-Supervised Learning for Medical Imaging

مرکز تحقیقات رادیولوژی نوین و تهاجمی | Conformalized Semi-Supervised Learning for Medical Imaging
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 - 10:42
  • : 37
  • زمان مطالعه : 1 دقیقه

Conformalized Semi-Supervised Learning for Medical Imaging

Conformalized Semi-Supervised Learning for Medical Imaging {faces}

To investigate whether conformal prediction (CP)-based uncertainty quantification (UQ) can improve semi-supervised learning (SSL) frameworks. Five machine learning (ML) frameworks were developed and evaluated: supervised learning (SL), standard SSL, iterative SSL, conformalized SSL (CSSL), and iterative CSSL. Logistic regression (LR) models were trained using radiomics features extracted from MRI and CT datasets across three classification tasks: isocitrate dehydrogenase (IDH) mutation prediction in gliomas, O6-methylguanine-DNA methyltransferase (MGMT) promoter methylation prediction in gliomas, and histopathological classification in non-small cell lung cancer (NSCLC). Model performance was evaluated using the area under the receiver operating characteristic curve (AUROC) and the area under the precision-recall curve (AUPRC) with 95% confidence intervals, and statistical comparisons were performed using DeLong’s test. Across all three tasks, uncertainty-aware SSL frameworks outperformed conventional SL and standard SSL approaches. For IDH prediction, CSSL and iterative CSSL demonstrated statistically significant improvements compared with SL and SSL (p < 0.05). For MGMT prediction, iterative SSL, CSSL, and iterative CSSL significantly outperformed SL (p < 0.05). Similarly, in NSCLC histology classification, iterative SSL and CSSL-based methods significantly improved performance compared with SL (p < 0.05). Integrating CP into SSL frameworks improves pseudo-label reliability by filtering uncertain predictions and reducing error propagation during self-training. The proposed uncertainty-aware SSL approaches demonstrated improved performance across multiple radiomics-based classification tasks, highlighting their potential utility in medical imaging applications where labeled data are limited but unlabeled data are abundant.

  • Article_DOI : doi.org/10.1007/s10278-026-02494-x
  • نویسندگان : seyed amir asef agah
  • گروه خبر : پژوهش,research article,AI
  • کد خبر : 337862
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