Alimlər qarın boşluğunun KT görüntülərini geniş şəkildə təhlil edə bilən yeni süni intellekt sistemi hazırlayıblar. RADAR adlı model xəstəlik və anatomik dəyişiklikləri aşkarlayaraq radioloqlara diaqnostikada dəstək ola bilər. Qarın boşluğunun kompüter tomoqrafiyası (KT) bir görüntüdə çox böyük həcmdə məlumat təqdim edir. Burada onlarla orqan və yüzlərlə mümkün xəstəlik əlaməti əks oluna bilər. Buna görə qarın KT müayinələri tibbdə şərhi ən mürəkkəb görüntüləmə üsullarından biri hesab edilir və hətta təcrübəli radioloqlar belə görüntüləri diqqətlə araşdırmaq üçün kifayət qədər vaxt sərf etməlidirlər. Bu yükü azaltmaq məqsədilə tədqiqatçılar RADAR (Rapid Abdominal Diagnosis with AI and Radiology) adlı yeni süni intellekt köməkçisi hazırlayıblar.
RADAR qarın boşluğunun KT görüntülərini təhlil edərək həkimlərə diaqnozun müəyyənləşdirilməsində kömək edə bilən universal süni intellekt sistemi kimi hazırlanıb. Model klinik hesabatlardan birbaşa öyrənən genişmiqyaslı görüntü-dil arxitekturası əsasında qurulub. Təlim üçün 424 911 müayinəni əhatə edən məlumat bazasından istifadə edilib. Buraya 1,5 milyon görüntü-mətn cütü və anatomik strukturlara uyğunlaşdırılmış 15 milyondan çox cüt daxil olub. Məlumatların əvvəlcədən mütəxəssislər tərəfindən əl ilə işarələnməsinə və etiketlənməsinə ehtiyac olmayıb.
Real xəstəxana müayinələrində sınaqdan keçirilən RADAR orta hesabla 0,913 AUC diaqnostik dəqiqlik göstəricisi əldə edib və mövcud tibbi görüntü-dil süni intellekt modellərini geridə qoyub.
Nəticələr müxtəlif xəstəxanalarda, təcili yardım şöbələrində və fərqli pasiyent qruplarında da özünü doğruldub.
Science jurnalında dərc olunan araşdırmaya görə, RADAR harada və hansı şəraitdə sınaqdan keçirilməsindən asılı olmayaraq 18 anatomik strukturu və 146 görüntüləmə əlaməti və xəstəliyi düzgün müəyyənləşdirə bilib.
Qarın boşluğunda nələrin baş verdiyini müəyyənləşdirmək
Qarın KT müayinələri tibbi süni intellekt üçün ən mürəkkəb vəzifələrdən biridir. Bunun əsas səbəblərindən biri qarın boşluğundakı orqanların forma və yerləşmə baxımından böyük fərqlər göstərməsidir. Bundan əlavə, xəstəlik əlamətləri çox vaxt sağlam toxumadan yalnız zəif kontrast fərqləri ilə seçilir. Bu bacarığı yüksək səviyyədə mənimsəmək radioloq üçün illərlə təcrübə tələb edir. Mövcud tibbi süni intellekt sistemlərinin əksəriyyəti konkret və məhdud sayda tapşırıq üçün hazırlanır və nəzarətli öyrənmə metodundan istifadə edir. Bu zaman tibbi mütəxəssislər on minlərlə görüntünü əvvəlcədən əl ilə işarələməli və təsnif etməlidirlər. Yeni bir xəstəliyin aşkarlanması üçün isə yenidən böyük həcmdə və diqqətlə etiketlənmiş məlumat bazası tələb oluna bilər. Bu proses həm bahalı, həm əmək tutumlu, həm də geniş miqyasda tətbiq edilməsi çətindir.
Əvvəlki araşdırmalardan əldə olunan ümidverici nəticələrə əsaslanan tədqiqatçılar fərqli yanaşma seçiblər: görüntü-dil öyrənməsi. Bu yanaşma süni intellekt modelinə görüntülərlə radioloji hesabatlarda yazılan məlumatlar arasındakı əlaqələri birbaşa öyrənməyə imkan verir.
Tədqiqatçılar bir yüksək həcmli tibb mərkəzində 10 il ərzində toplanmış böyük məlumat bazasını bir araya gətirərək RADAR modelini bu məlumatlar üzərində öyrədiblər. Qarın KT görüntüləri çox böyük həcmdə anatomik detal ehtiva edir və xəstəlik əlamətləri eyni anda bir neçə orqanda kiçik və dağınıq şəkildə yerləşə bilər. Bu mürəkkəbliyi idarə etmək üçün sistem tam 3D görüntünü ayrı-ayrı hissələrə bölür və orqanları bir-bir təhlil edir.
Daha sonra seqmentasiya aləti görüntüdəki hər bir orqanı avtomatik müəyyənləşdirir. Dil modeli isə radioloji hesabatları oxuyaraq müvafiq mətn məlumatlarını həmin orqanlarla əlaqələndirir. Bu proses nəticəsində təxminən 15 milyon orqana xas görüntü-mətn cütü yaradılıb.
RADAR düzgün diaqnozu müəyyənləşdirə bildimi?
Modelin müxtəlif klinik şəraitlərdə nə dərəcədə effektiv işlədiyini qiymətləndirmək üçün tədqiqatçılar 39 160 ardıcıl real xəstəxana müayinəsini, 27 267 təcili yardım müayinəsini və səkkiz müstəqil xəstəxanadan əldə edilmiş 24 239 müayinəni analiz ediblər.
RADAR böyük daxili test məlumat bazasında 0,913 AUC göstəricisi əldə edib. Xarici test qruplarında isə nəticələr 0,874–0,912 arasında dəyişib. Model həmçinin qaraciyər, mədəaltı vəzi, mədə və kolorektal xərçəngin patologiya ilə təsdiqlənmiş hallarını düzgün müəyyənləşdirib.
Radioloqların diaqnostik imkanları necə dəyişib?
26 radioloqun iştirak etdiyi ayrıca araşdırmada RADAR-dan istifadə diaqnostik həssaslığı təxminən 10% artırıb, eyni zamanda görüntülərin oxunmasına sərf olunan vaxtı təxminən 31% azaldıb.
Bu fayda xüsusilə karyerasının ilk mərhələsində olan radioloqlarda nəzərəçarpacaq olub. Onların RADAR-ın dəstəyi ilə göstərdikləri nəticələr köməksiz işləyən təcrübəli radioloqların səviyyəsinə çatıb və ya onu keçib.
Tədqiqatçıların fikrincə, bu nəticələr RADAR-ın müxtəlif klinik iş axınlarına inteqrasiya oluna bilən universal süni intellekt köməkçisi kimi potensialını göstərir.
Belə bir sistem radioloqların təcrübə səviyyəsindən və işlədikləri klinik mühitdən asılı olmayaraq diaqnostik dəqiqliyi artırmağa kömək edə bilər. Bununla belə, RADAR-ın klinik istifadəyə daha geniş şəkildə tətbiq edilməsindən əvvəl əlavə sınaqlara ehtiyac var. Model daha müxtəlif coğrafi bölgələrdən və etnik qruplardan olan pasiyentlər üzərində, eləcə də daha geniş çeşidli klinik şəraitlərdə yoxlanılmalıdır.
mənbə: medicalxpress.com
Şərhlər
Hələ təsdiqlənmiş şərh yoxdur.
Şərh yazın
Şərh yazmaq üçün hesabınıza daxil olun və e-poçtunuzu təsdiqləyin.