نقش هوش مصنوعی در کاهش خطاهای رادیولوژی چیست؟

دکتر فریبرز فائقی، مدیر گروه تکنولوژی پرتوشناسی دانشگاه، ضمن گرامیداشت روز جهانی رادیولوژی در هشتم نوامبر (17 آبان)، رادیولوژی و تصویربرداری پزشکی را به عنوان یکی از جالب‌ترین و عملی‌ترین رشته‌های علوم پزشکی معرفی کرد.

وی تیم رادیولوژی و تصویربرداری پزشکی را مرکب از رادیولوژیست‌ها، رزیدنت‌ها، کارشناسان و فیزیست‌های تصویربرداری پزشکی دانست و تأکید کرد: این افراد به صورت یک گروه نزدیک با هم همکاری می‌کنند تا بیماری‌ها را به سرعت و دقت شناسایی کنند و همچنین در پایش پاسخ به درمان بیمار نقش‌آفرینی نمایند.

رادیولوژی؛ چشم پزشک جهانی

دکتر فائقی شرح داد که رادیولوژی و تصویربرداری پزشکی ترکیبی از علم، تخصص، فناوری و هنر است که اصول این موارد برای تشخیص بیماری‌ها به‌کار می‌رود و به دلیل اهمیت ویژه‌اش در شناسایی بیماری‌ها، به آن “چشم پزشک جهانی” نیز اطلاق می‌شود.

مدیر گروه تکنولوژی پرتوشناسی به گسترش هوش مصنوعی در عرصه‌های مختلف زندگی انسان و علوم مختلف اشاره کرد و گفت: در حوزه پزشکی، بخصوص در رادیولوژی و تصویربرداری، شاهد پیشرفت‌های تکنولوژی هوش مصنوعی در زمینه‌های تشخیص، آموزش، پژوهش و درمان هستیم.

طبق گفته او، ورود هوش مصنوعی تحولی بنیادین در فراگیری و آموزش رادیولوژی بالینی، مبانی و علوم تصویربرداری پزشکی به وجود آورده است.

دکتر فریبرز فائقی به طراحی و معرفی اپلیکیشن‌های آموزشی مبتنی بر فناوری هوش مصنوعی اشاره کرد و بیان داشت: این امر بستری مناسب برای ارائه آموزش‌های تعامل‌پذیر و سازگار با شرایط خاص فراهم کرده و بدین ترتیب به فراگیران در کسب تجارب یادگیری مؤثر در زمینه‌های پیچیده آموزش علوم پایه و بالینی کمک می‌کند.

این متخصص فیزیک پزشکی، یادگیری بهبودیافته با فناوری را یکی از موارد حائز اهمیت در دنیای کنونی و ایران برشمرد.

وی بیان داشت که با به‌کارگیری این اپلیکیشن‌ها و پلتفرم‌ها، فضایی کسب می‌شود که موجب آموزش مفاهیم پیچیده بالینی و ارتقاء مهارت پزشکان و دستیاران در شناسایی آسیب‌ها از طریق تصاویر می‌شود. همچنین از نگاه فناوری تصویربرداری پزشکی، این امکانات می‌تواند آموزش مهارت‌های تخصصی لازم برای تولید تصاویر با کیفیت بالا را به تکنولوژیست‌ها و دانشجویان این رشته ارائه دهد.

دکتر فائقی به استفاده از واقعیت مجازی یا Virtual Learning در یادگیری و آموزش اشاره کرده و این فناوری را ابزاری مؤثر در شبیه‌سازی شرایط بالینی دانست که امکان یادگیری مؤثر بدون ریسک برای بیمار را میسر می‌سازد. او همچنین یادآور شد: اکثر اپلیکیشن‌ها قابلیت طراحی و انجام آزمون بر روی کاربران و ارائه نمرات و بازخورد به فراگیران را دارند.

وی در ادامه با اشاره به تأثیرات هوش مصنوعی در شناسایی و افزایش سرعت و دقت تشخیص در رادیولوژی گفت: از کاربردهای کلیدی هوش مصنوعی می‌توان به تمرکز بر بهبود تحلیل تصاویر، شناسایی دقیق‌تر آسیب‌ها، کمی‌سازی داده‌های تصویری و تقویت توانمندی تفسیر داده‌های پیچیده اشاره کرد.

مدیر گروه تکنولوژی پرتوشناسی به این نکته اشاره کرد که وجود الگوریتم‌های هوش مصنوعی می‌تواند به تفسیر تصاویر پزشکی بر اساس یادگیری عمیق یا Deep Learning منجر شود که به پردازش تصاویر رادیوگرافی CT Scan و MRI کمک می‌کند.

او افزود: شبکه‌های عصبی کانولوشنال یا CNN از توانایی چشمگیری در شناسایی ناهنجاری‌های پاتولوژیک مانند پنومونی، شکستگی‌ها، توده‌ها و سرطان ریه برخوردار هستند و به کارگیری این الگوریتم‌ها موجب بهبود سرعت و دقت در تشخیص آسیب‌ها با استفاده از تصاویر پزشکی می‌گردد.

راجع به شبکه عصبی کانولوشنال، دکتر فائقی اذعان داشت که این شبکه قدرت و کاربرد بالا در یادگیری عمیق دارد و برای پردازش داده‌های شبکه‌ای مانند تصاویر استفاده می‌شود.

وی بر اهمیت نقش مؤثر هوش مصنوعی در افزایش دقت و سرعت شناسایی آسیب‌ها تأکید کرد و اشاره نمود که الگوریتم‌های هوش مصنوعی تغییرات موجود در پارامترها و مشخصه‌های تصویری را شناسایی کرده و دقت رادیولوژیست و پزشک را به سمت نواحی مشکوک بدن بیمار جلب می‌نماید، که موجب تسریع در شناسایی و تشخیص آسیب‌ها می‌شود.

این کارشناس فیزیک پزشکی به کاربردهای وسیع هوش مصنوعی به نمونه‌برداری و نمایش تغییرات پارامترهای همودینامیکی در نتیجه آزمایشات پرفیوژن سی تی و MR مغز اشاره و یادآور شد که آزمایشات پرفیوژن یک روش تصویربرداری تشخیصی غیر تهاجمی برای ارزیابی خون‌رسانی به مغز محسوب می‌شود.

دکتر فائقی ادامه داد که یافته‌های این آزمایش می‌تواند ضمن شناسایی ناحیه ایسکمی یا اینفارکت مغزی از جنبه‌های مکان، اندازه و روند رشد با دقت بالا، بهترین روش درمان را مشخص کرده و به بررسی واکنش بیمار مبتلا به ایسکمی حاد مغزی نسبت به درمان کمک کند.

مدیر گروه تکنولوژی پرتوشناسی، هوش مصنوعی یا AI را سبب تسریع تحقیقات و معرفی متدولوژی‌های نوین در پژوهش‌های تصویربرداری و رادیولوژی برشمرد.

به گفته وی، هوش مصنوعی در شناسایی و کشف بیومارکرهای تصویربرداری که می‌توانند برای تشخیص بیماری یا پیشرفت آن مؤثر واقع شوند، نقش مهمی ایفا می‌کند.

دکتر فائقی خاطرنشان کرد که الگوهای ریز در تصاویر MRI که امکان دیدن آنها با چشم غیرمسلح وجود ندارد، می‌تواند با استفاده از الگوریتم‌های یادگیری ماشین شناسایی شود و در تشخیص بیماری‌ها از آن‌ها بهره برد، که از جمله این تحقیقات می‌توان به بیماری‌های آلزایمر و اختلالات خودایمنی و MS اشاره کرد.

وی به این نکته مهم اشاره کرد که هوش مصنوعی توانایی کار بر روی داده‌های بزرگ یا Big Data را فراهم می‌آورد و تحلیل سریع‌تر این داده‌ها را ممکن می‌سازد. داده‌های تصویربرداری نمونه‌ای از چنین داده‌های بزرگی هستند و تحلیل و انطباق این داده‌ها با وضعیت بالینی بیمار به نتایج مؤثری در پیش‌بینی و تعیین پیش‌آگهی بیماری منجر می‌شود.

دکتر فائقی در ادامه تأثیر هوش مصنوعی بر بهبود کیفیت تصاویر و ارائه جزئیات دقیق‌تر را ذکر کرده و افزود: هوش مصنوعی می‌تواند از طریق تکنیک‌ها و الگوریتم‌های نوین به تولید تصاویری با وضوح و جزئیات بالاتر و بهتری کمک کند که این امر موجب افزایش دقت و کیفیت تصاویر پزشکی می‌شود.

او همچنین به این نکته اشاره کرد که هوش مصنوعی می‌تواند کیفیت و دقت تشخیصی تصاویر را ارتقا دهد و یکی از ویژگی‌های برخی الگوریتم‌های این فناوری، پردازش تصاویر با کیفیت پایین و تبدیل آنها به تصاویری با قدرت تفکیک فضایی و کیفیت تشخیصی بالا است.

به گفته وی، برای دستیابی به چنین تصاویری با کیفیت و قدرت تفکیک فضایی و کنتراست بالا، نیاز به زمان بیشتری برای اسکن بیمار وجود دارد که این مسئله ممکن است موجب ناراحتی بیماران و افزایش زمان انتظار شود. در حالی که با استفاده از الگوریتم‌های یادگیری عمیق، می‌توان به تصاویر با قدرت تفکیک فضایی بالا در زمان‌های کمتری دسترسی پیدا کرد.

دکتر فائقی در پاسخ به این پرسش که آیا هوش مصنوعی می‌تواند در آینده جانشین رادیولوژیست‌ها شود، تصریح کرد: اگرچه هوش مصنوعی به تحولات در زمینه رادیولوژی دامن زده و این تغییرات همچنان در حال وقوع است و به کارگیری الگوریتم‌های آن بهبود سرعت، دقت و کیفیت تصویربرداری را موجب می‌شود، اما مسلماً هرگز نمی‌تواند جایگزین رادیولوژیست گردد.

مدیر گروه تکنولوژی پرتوشناسی استفاده از هوش مصنوعی را به عنوان عاملی مهم در ارتقاء کیفیت خدمات تشخیصی تصویربرداری پزشکی مطرح کرد و تأکید نمود: موضوع جانشینی به هیچ عنوان مطرح نیست، زیرا اطلاعات بالینی و تکنیکی که برای دستیابی به تشخیص لازم است، در ابتدا توسط رادیولوژیست و فیزیست به این سیستم‌ها داده می‌شود.

به گفته او، هوش مصنوعی به طور کامل نمی‌تواند ویژگی‌های انسانی ضروری در رادیولوژی را که شامل قضاوت بالینی، سازگاری، همدلی و تصمیم‌گیری در شرایط غیرمطمئن هستند، شبیه‌سازی کند و استفاده صرف از اطلاعات هوش مصنوعی بدون نظارت علمی و انسانی می‌تواند منجر به بروز اشتباهات تشخیصی گردد.

دکتر فائقی خاطرنشان کرد: بسیاری از فعالیت‌های رادیولوژیست و تکنولوژیست مرتبط با انجام روش‌ها و تکنیک‌های تصویربرداری است که به‌طور مستقیم بر روی بیماران اجرا می‌شود.