سایت دانشگاه | 16 خرداد 1404
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:

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:

  • تاریخ انتشار : 1403/12/25 - 09:30
  • : 34
  • زمان مطالعه : 1 دقیقه

Determination of the radioanatomical factors related to the position of facial nerve in accessing jugular foramen and carotid artery in temporal bone

 {faces}

Introduction: Preservation of the facial nerve is of great importance in temporal bone surgeries. We intend to investigate the measurements of the radioanatomical factors related to the position of the facial nerve in accessing jugular foramen and internal carotid artery (ICA) in temporal bone of patients who were candidates for temporal high resolution computed tomography (HRCT) scan.

Methods: In this correlation cross-sectional study, samples were selected from patients referred to Amir Alam Hospital who were previously candidates for temporal HRCT. Radioanatomic factors were evaluated in three axial, coronal and sagittal views. Analyzes were performed using descriptive statistics, correlation analysis and factor analysis.

Results: A total of 173 samples were investigated. The most reliable radioanatomical factor based on coefficient of variation (CV) was the distance of the 7th nerve to the temporomandibular joint (TMJ) in the inferior to the cochlea in the sagittal view (variable name S2) (CV = 8.1%) and then the distance from the 7th nerve to the TMJ in the inferior section of the cochlea in the axial view (variable name AI3) (CV = 8.4%). Based on correlation analysis and then confirmatory factor analysis, three common latent factors were identified (overall R2 = 0.999).

Conclusion: The results of this study can be used for two purposes. First, the direct use of the estimated measures in surgical operations, and the second is more advanced modeling to choose the approach in the surgical operation and how to implement that approach. For the first aim, the two factors AI3 and S2 were the most reliable radioanatomical factors in different people. For the second aim, the three-dimensional understanding of the obtained measurements and the further identification of the anatomical nature of the latent factors can help in choosing the approach in surgery.

  • Article_DOI : 10.1016/j.heliyon.2024.e26560
  • نویسندگان : parisadat ahmadi,sasan dabiri
  • گروه خبر : پژوهش,research article,AI
  • کد خبر : 292506
مدیر سیستم
تهیه کننده:

مدیر سیستم

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
Close menu