فناوری هوش مصنوعی تحلیل تصاویر پزشکی سه‌بعدی را تسریع می‌کند

مدل‌های پیشرفته هوش مصنوعی با چالش بزرگی روبرو هستند که نیاز به مقادیر عظیمی از تصاویر پزشکی به‌دقت برچسب‌گذاری‌شده برای آموزش آن‌ها به تشخیص بیماری‌ها است و این امر با اسکن‌های سه‌بعدی که شامل صدها اسلایس هستند و نیازمند بازبینی توسط پزشکان متخصص می‌باشند، دشوارتر می‌شود. در مطالعه‌ای که در مجله «نچر بایومدیکال اینجینیرینگ» منتشر شد، محققان به رهبری دکتر چارلز وایکوف چارچوبی برای یادگیری عمیق به نام «اسلیویت» (SLIViT) ارائه کردند که می‌تواند داده‌های تصویربرداری پزشکی حجمی را با دقت تحلیل کند، در حالی که به تعداد بسیار کمتری از نمونه‌های آموزشی نسبت به روش‌های سنتی نیاز دارد و از دانش استخراج‌شده از تصاویر دو بعدی برای اعمال بر اسکن‌های سه‌بعدی پیچیده‌تر بهره می‌برد. این سیستم عملکردی متمایز در شناسایی شاخص‌های زیستی مرتبط با بیماری‌های شبکیه، مانند دژنراسیون ماکولار مرتبط با سن، از خود نشان داد و بر مدل‌های هوش مصنوعی تخصصی پیشی گرفت و نتایجی مشابه عملکرد متخصصان بالینی اما با سرعتی بیشتر کسب کرد. همچنین محققان موفق شدند این سیستم را بر تصویربرداری قلب، کبد و ریه به کار گیرند که نشان‌دهنده قابلیت استفاده از آن به عنوان یک پایه مشترک در رشته‌های پزشکی متعدد به جای ساخت مدل‌های جداگانه برای هر تکنیک است. وایکوف معتقد است که این فناوری می‌تواند تحقیقات مربوط به شاخص‌های زیستی بیماری‌ها را تسریع بخشد و زمان و هزینه را کاهش دهد و تأکید می‌کند که هدف آن جایگزینی پزشکان نیست، بلکه تقویت توانایی آن‌ها در مدیریت داده‌های تصویربرداری با پیچیدگی فزاینده است.