الگوریتمی که توسط محققان هلمهولتز مونیخ، دانشگاه فنی مونیخ (TUM)توسعه یافته است، قادر است به طور مستقل در موسسات پزشکی مختلف آموزش ببیند. ویژگی کلیدی این است که “خودآموز” است، یعنی نیازی به یافته های گسترده و وقت گیر یا علامت گذاری توسط رادیولوژیست ها در تصاویر MRI ندارد. این الگوریتم بر روی بیش از ۱۵۰۰ اسکن MRI از شرکت‌کنندگان سالم مطالعه از چهار مؤسسه با حفظ حریم خصوصی داده‌ها آموزش داده شد. سپس از این الگوریتم برای تجزیه و تحلیل بیش از ۵۰۰ اسکن MRI بیمار برای تشخیص بیماری‌هایی مانند مولتیپل اسکلروزیس، بیماری‌های عروقی و انواع مختلف تومورهای مغزی استفاده شد که این الگوریتم قبلاً هرگز ندیده بود. این امر فرصت‌های جدیدی را برای توسعه الگوریتم‌های مبتنی بر هوش مصنوعی ایجاد می‌کند که به طور مستقل یاد می‌گیرند و از حریم خصوصی محافظت می‌کنند.
مراقبت های بهداشتی در حال حاضر توسط هوش مصنوعی متحول شده است. با راه حل های دقیق هوش مصنوعی، پزشکان می توانند در تشخیص حمایت شوند. با این حال، چنین الگوریتم‌هایی به مقدار قابل توجهی داده و یافته‌های متخصص رادیولوژی مرتبط برای آموزش نیاز دارند. ایجاد چنین پایگاه داده مرکزی و بزرگی، الزامات ویژه ای را برای حفاظت از داده ها ایجاد می کند. علاوه بر این، ایجاد یافته ها و حاشیه نویسی ها، به عنوان مثال علامت گذاری تومورها در یک تصویر MRI، بسیار زمان بر است. هدف محققان این بود که یک الگوریتم تشخیصی پزشکی مبتنی بر هوش مصنوعی برای تصاویر MRI از مغز، بدون هیچ گونه داده ای که توسط رادیولوژیست حاشیه نویسی یا پردازش شده باشد، ایجاد کند. علاوه بر این طبق این الگوریتم داده‌های تصویر پزشکی که نیاز به حفاظت ویژه دارند می‌توانند در کلینیک مربوطه باقی بمانند و نیازی به جمع‌آوری مرکزی نداشته باشند.
محققان توانستند نشان دهند که الگوریتم هوش مصنوعی یکپارچه ای که آنها توسعه داده بودند، بهتر از هر الگوریتم هوش مصنوعی آموزش داده شده با استفاده از داده های یک موسسه واحد عمل می کند. برای جمع آوری دانش در مورد تصاویر MRI از مغز، تیم تحقیقاتی الگوریتم هوش مصنوعی را در موسسات پزشکی مختلف و مستقل بدون نقض حریم خصوصی داده ها یا جمع آوری داده ها به صورت متمرکز آموزش دادند.
محققان بر این باورند که با محافظت از داده‌های بیمار و در عین حال کاهش بار کاری رادیولوژیست‌ها، فناوری هوش مصنوعی آنها به طور قابل توجهی پزشکی دیجیتال را پیش خواهد برد.
پروفسور دکتر البرقونی می گوید: “هوش مصنوعی و مراقبت های بهداشتی باید مقرون به صرفه باشد و این هدف ماست. ما با مطالعه خود گامی در این راه برداشته ایم.هدف اصلی ما توسعه الگوریتم‌های هوش مصنوعی است که به طور مشترک در موسسات پزشکی غیرمتمرکز مختلف، از جمله آنهایی که منابع محدودی دارند، آموزش دیده‌اند.”
مراقبت های بهداشتی در حال حاضر توسط هوش مصنوعی متحول شده است. با راه حل های دقیق هوش مصنوعی، پزشکان می توانند در تشخیص حمایت شوند. با این حال، چنین الگوریتم‌هایی به مقدار قابل توجهی داده و یافته‌های متخصص رادیولوژی مرتبط برای آموزش نیاز دارند. ایجاد چنین پایگاه داده مرکزی و بزرگی، الزامات ویژه ای را برای حفاظت از داده ها ایجاد می کند. علاوه بر این، ایجاد یافته ها و حاشیه نویسی ها، به عنوان مثال علامت گذاری تومورها در یک تصویر MRI، بسیار زمان بر است. هدف محققان این بود که یک الگوریتم تشخیصی پزشکی مبتنی بر هوش مصنوعی برای تصاویر MRI از مغز، بدون هیچ گونه داده ای که توسط رادیولوژیست حاشیه نویسی یا پردازش شده باشد، ایجاد کند. علاوه بر این طبق این الگوریتم داده‌های تصویر پزشکی که نیاز به حفاظت ویژه دارند می‌توانند در کلینیک مربوطه باقی بمانند و نیازی به جمع‌آوری مرکزی نداشته باشند.
محققان توانستند نشان دهند که الگوریتم هوش مصنوعی یکپارچه ای که آنها توسعه داده بودند، بهتر از هر الگوریتم هوش مصنوعی آموزش داده شده با استفاده از داده های یک موسسه واحد عمل می کند. برای جمع آوری دانش در مورد تصاویر MRI از مغز، تیم تحقیقاتی الگوریتم هوش مصنوعی را در موسسات پزشکی مختلف و مستقل بدون نقض حریم خصوصی داده ها یا جمع آوری داده ها به صورت متمرکز آموزش دادند.
محققان بر این باورند که با محافظت از داده‌های بیمار و در عین حال کاهش بار کاری رادیولوژیست‌ها، فناوری هوش مصنوعی آنها به طور قابل توجهی پزشکی دیجیتال را پیش خواهد برد.
پروفسور دکتر البرقونی می گوید: “هوش مصنوعی و مراقبت های بهداشتی باید مقرون به صرفه باشد و این هدف ماست. ما با مطالعه خود گامی در این راه برداشته ایم.هدف اصلی ما توسعه الگوریتم‌های هوش مصنوعی است که به طور مشترک در موسسات پزشکی غیرمتمرکز مختلف، از جمله آنهایی که منابع محدودی دارند، آموزش دیده‌اند.”
کد خبر ۲۰۱۰۱۰۶۰۵.۰۲۹
