هوش مصنوعی

 

طبق اخبار هوش مصنوعی ، ملانوما نوعی تومور بدخیم است که بیش از 70 درصد از مرگ و میرهای مربوط به سرطان پوست در سراسر جهان را به عهده دارد. برای سالها ، پزشکان برای شناسایی ضایعات رنگی مشکوک  (SPL) ، که می تواند نشانه ای از سرطان پوست باشد ، به بازرسی بینایی اعتماد می کنند. چنین شناسایی مراحل اولیه SPL در تنظیمات مراقبت های اولیه می تواند پیش آگهی ملانوما را بهبود بخشد و هزینه درمان را به میزان قابل توجهی کاهش دهد.

چالش این است که یافتن سریع و اولویت بندی SPL به دلیل حجم بالای ضایعات رنگی که اغلب نیاز به ارزیابی بیوپسی بالقوه دارند ، دشوار است. اکنون ، محققان از دانشگاه MIT و سایر کشورها با استفاده از شبکه های عصبی کانولوشن عمیق (DCNN) ، خط لوله هوش مصنوعی جدیدی را ابداع کرده و آنها را برای تجزیه و تحلیل SPL ها از طریق استفاده از عکسبرداری از میدان وسیع که در بیشتر تلفن های هوشمند و دوربین های شخصی رایج است ، استفاده می کنند.

DCNN ها شبکه های عصبی هستند که می توانند برای طبقه بندی (یا "نام") تصاویر برای خوشه بندی آنها استفاده شوند (مانند هنگام جستجوی عکس). این الگوریتم های یادگیری ماشین به زیرمجموعه یادگیری عمیق تعلق دارند.

به گفته لوئیس آر. Soenksen ، فوق دکترا و یک متخصص تجهیزات پزشکی اولین سازنده سرمایه گذاری MIT در هوش مصنوعی و بهداشت. Soenksen این تحقیق را با محققان MIT ، از جمله اعضای هیئت علمی م Instituteسسه مهندسی پزشکی و علوم MIT (IMES) ، مارتا جی گری ، W. Kieckhefer استاد علوم و فنون بهداشت ، استاد مهندسی برق و علوم کامپیوتر انجام داد. و جیمز جی کالینز ، استاد مهندس پزشکی و مهندسی پزشکی ترمیر.

Soenksen ، که اولین نویسنده مقاله اخیر است ، "با استفاده از یادگیری عمیق برای تشخیص سطح ضایعات پوستی رنگدانه ای مشکوک در سطح متخصص پوست ، از تصاویر زمینه گسترده" ، چاپ شده در Science Translational Medicine ، توضیح می دهد که "تشخیص زودهنگام SPL ها می تواند جان انسان ها را نجات دهد. با این حال ، ظرفیت فعلی سیستم های پزشکی برای ارائه غربالگری های جامع پوستی در مقیاس هنوز وجود ندارد. "

در این مقاله توسعه یک سیستم تجزیه و تحلیل SPL با استفاده از DCNN برای شناسایی سریعتر و کارآمد ضایعات پوستی که نیاز به تحقیقات بیشتری دارند ، غربالگری هایی که می توانند در طول ویزیت های مراقبت های اولیه معمول یا حتی توسط خود بیماران انجام شود ، توصیف می کند. این سیستم برای بهینه سازی شناسایی و طبقه بندی SPL ها در تصاویر میدان وسیع از DCNN استفاده می کند.