ปัญญาประดิษฐ์มีศักยภาพในการปรับปรุงการปฏิบัติงานที่จำเป็นหลายอย่างในด้านการแพทย์และชีวการแพทย์ ตั้งแต่การจัดการกับข้อมูลจำนวนมหาศาลที่สร้างจากภาพทางการแพทย์ ไปจนถึงการทำความเข้าใจวิวัฒนาการของมะเร็งในร่างกาย ไปจนถึงการช่วยออกแบบและเพิ่มประสิทธิภาพการรักษาผู้ป่วย . ในการประชุม APS มีนาคม เมื่อสัปดาห์ที่แล้ว เซสชันที่เน้นเฉพาะจะตรวจสอบแอปพลิเคชัน
ทางการแพทย์
ล่าสุดของปัญญาประดิษฐ์และแมชชีนเลิร์นนิง การวิเคราะห์ภาพเชิงลึกกล่าวเปิดการสัมมนา เกี่ยวกับการใช้การเรียนรู้เชิงลึกในการวินิจฉัยและติดตามโรคทางสมอง “ความผิดปกติของสมองและโรคเกี่ยวกับความเสื่อมของระบบประสาทเป็นโรคที่มีค่าใช้จ่ายสูง ทั้งในแง่ของความทุกข์ทรมานของมนุษย์
และต้นทุนทางเศรษฐกิจ” เธออธิบายเหตุผลก็คือสภาวะส่วนใหญ่เหล่านี้ ซึ่งรวมถึงโรคอัลไซเมอร์และพาร์กินสัน โรคออทิสติกสเปกตรัม และความบกพร่องทางสติปัญญาเล็กน้อย (MCI) และอื่น ๆ ขาดเครื่องมือที่เชื่อถือได้สำหรับการวินิจฉัยและการติดตามความก้าวหน้า และด้วยเหตุนี้
จึงมักได้รับการวินิจฉัยผิดพลาด และสำหรับการตรวจสอบผลกระทบทางระบบประสาทของมะเร็งหรือเคมีบำบัดนั้น ไม่มีเครื่องมือวินิจฉัยที่เป็นมาตรฐานเลย Deatsch กล่าวการสร้างภาพระบบประสาทโดยใช้วิธีการต่างๆ สามารถเติมเต็มช่องว่างนี้ได้ “อย่างไรก็ตาม เมื่อต้องวิเคราะห์ภาพเหล่านี้
มักจะไม่ค่อยได้นำมาใช้ในคลินิกอย่างเต็มศักยภาพ” ดีทช์กล่าว “สาเหตุส่วนหนึ่งมาจากเวลาที่ใช้ในการจัดการหรือกำหนดปริมาณข้อมูลด้วยตนเอง และความไม่แน่นอนโดยธรรมชาติบางประการ”เพื่อจัดการกับอุปสรรคนี้ ฟิลด์นี้กำลังเปลี่ยนจากการวิเคราะห์ภาพด้วยภาพไปสู่แนวทางเชิงปริมาณมากขึ้น
โดยใช้ประโยชน์จากเทคนิคการคำนวณเพื่อเพิ่มผลลัพธ์ข้อมูลสูงสุดจากภาพทางระบบประสาท ซึ่งรวมถึงวิธีการเรียนรู้เชิงลึก เช่น โครงข่ายประสาทเทียม (CNN) ซึ่งแพร่หลายที่สุดในการถ่ายภาพทางการแพทย์ เช่นเดียวกับโครงข่ายประสาทเทียมที่เกิดซ้ำ (RNN) ที่ใช้ข้อมูลอนุกรมเวลา
การเปลี่ยนแปลงนี้
อาจทำให้ความเข้าใจของเราเกี่ยวกับโรคเกี่ยวกับความเสื่อมของระบบประสาทดีขึ้นและปรับปรุงการตัดสินใจทางคลินิก กล่าวว่า “การเรียนรู้เชิงลึกมีการใช้เพิ่มขึ้นอย่างมากสำหรับการสร้างภาพระบบประสาทในช่วงห้าปีที่ผ่านมา” Deatsch กล่าวโดยนำเสนอตัวอย่างทางคลินิกล่าสุด ตัวอย่างเช่น CNN
ใช้กับข้อมูล MRI เพื่อระบุโรคอัลไซเมอร์ ทำนายความก้าวหน้าของ MCI ไปสู่โรคอัลไซเมอร์ และประเมินความรุนแรงของโรคฮันติงตัน โดยรายงานมีความแม่นยำระหว่าง 70 ถึง 90% นอกจากนี้ยังมีการใช้การเรียนรู้เชิงลึกเพื่อวิเคราะห์ข้อมูล PET และ SPECT สำหรับการวินิจฉัยโรคอัลไซเมอร์
แต่ถึงแม้จะประสบความสำเร็จจนถึงปัจจุบัน ความท้าทายยังคงมีอยู่ ซึ่ง Deatsch และเพื่อนร่วมงานหวังว่าจะได้จัดการในโครงการล่าสุด พวกเขาพัฒนาโมเดลการเรียนรู้เชิงลึกแบบใหม่ที่สามารถแยกแยะการสแกนสมองของผู้ป่วยโรคอัลไซเมอร์จากการควบคุมปกติ และตรวจสอบว่าปัจจัยต่างๆ
ส่งผลต่อประสิทธิภาพของโมเดลอย่างไรทีมฝึก CNN โดยมีหรือไม่มี RNN แบบเรียงซ้อน เพื่อวิเคราะห์การสแกน MRI แบบถ่วงน้ำหนัก F-FDG-PET และ T1 จำนวน 18 รายการ CNN เรียนรู้ลักษณะเชิงพื้นที่และแสดงผลการคาดคะเนว่าเป็นโรคปกติหรือโรคอัลไซเมอร์ สำหรับผู้ป่วยที่มีการสแกนสองครั้ง
ขึ้นไป RNN จะเรียนรู้ลักษณะทางโลกและแสดงผลการจำแนกประเภทสำหรับผู้ป่วยแต่ละราย หลังจากฝึกโมเดลในการสแกน PET และ MRI หลายร้อยรายการ ได้สำเร็จพื้นที่สูงสุดภายใต้เส้นโค้ง ROC (AUC) ที่ 0.93 และความแม่นยำ 81% ต่อไป นักวิจัยตรวจสอบว่ารูปแบบการถ่ายภาพมีอิทธิพล
ต่อประสิทธิภาพ
ของแบบจำลองหรือไม่ พวกเขาเห็นประสิทธิภาพที่ดีขึ้นอย่างมากโดยใช้ข้อมูล PET ในโมเดลทั้งสองประเภท (ที่มีและไม่มี RNN) ซึ่งอาจเป็นเพราะความแตกต่างที่มากขึ้นระหว่างอิมเมจ MR พวกเขายังประเมินว่าการเพิ่มข้อมูลตามยาวมีผลกระทบหรือไม่ และพบว่าการรวมข้อมูลเหล่านี้
ช่วยเพิ่มประสิทธิภาพอย่างมีนัยสำคัญสำหรับการสแกน PET แต่ไม่ใช่สำหรับ MRIในการตรวจสอบความสามารถทั่วไปของ CNN พวกเขาทดสอบกับชุดข้อมูลภายนอก ซึ่งทำงานได้ดีพอๆ กันกับข้อมูลใหม่ที่มองไม่เห็น สุดท้าย พวกเขาตรวจสอบความสามารถในการตีความของแบบจำลองโดยสร้างแผนที่
ความร้อนแสดงความสนใจซึ่งแสดงบริเวณสมองที่รับผิดชอบในการตัดสินใจของแบบจำลอง พวกเขาทราบว่าแผนที่ดังกล่าวเป็นขั้นตอนในการระบุตัวบ่งชี้ทางชีวภาพเชิงปริมาณสำหรับโรคอัลไซเมอร์“มีสัญญามากมายสำหรับการเรียนรู้เชิงลึกด้วยการสร้างภาพระบบประสาทสำหรับโรคทางระบบประสาท”
กล่าวสรุป “ยังคงมีข้อจำกัดบางประการที่ต้องแก้ไข แต่ฉันหวังว่าฉันได้แสดงศักยภาพที่สำคัญที่มีอยู่ในสาขานี้ และการศึกษาในอนาคตจำนวนมากจะดำเนินต่อไป” การตรวจสอบความปลอดภัยของรังสีรักษาปัญญาประดิษฐ์สามารถมีบทบาทมากมายในการถ่ายภาพทางการแพทย์
ไม่เพียงแต่สำหรับการวินิจฉัยเท่านั้น แต่ยังรวมถึงงานต่างๆ เช่น การลงทะเบียนภาพและการแบ่งส่วน เพื่อช่วยในการวางแผนการรักษาด้วยรังสีรักษา เป็นต้น สิ่งนี้นำไปสู่การรวมเอาวิธีการที่ใช้การเรียนรู้ของเครื่องเข้ากับแอปพลิเคชันอื่น ๆ เช่น การรับรองความปลอดภัยของการรักษาด้วยรังสี
(อายุผู้ป่วย เทคนิคและพลังงานรังสีรักษา และความตั้งใจทางคลินิก) และของผู้ป่วยที่มีประวัติการรักษาที่คล้ายคลึงกัน แบบจำลองจะตั้งค่าสถานะความผิดปกติใดๆ ที่ตรวจพบโดยอัตโนมัติ เช่น ใบสั่งยาที่แตกต่างจากที่เห็นก่อนหน้านี้มาก หรือความไม่ตรงกันระหว่างใบสั่งยากับคุณสมบัติอื่นๆ เกณฑ์สำหรับการแฟล็กถูกกำหนดโดยใช้ระยะห่างคุณลักษณะเฉลี่ยระหว่างคู่ผู้ป่วยทั้งหมดในฐานข้อมูลเชิงประวัติ
credit: iwebjujuy.com lesrained.com IowaIndependentsBlog.com generic-ordercialis.com berbecuta.com Chloroquine-Phosphate.com omiya-love.com canadalevitra-20mg.com catterylilith.com lucianaclere.com
