2022. 07. 20. - 09:30
Születési rendellenességet is azonosíthat a mesterséges intelligencia
Egyedülálló, mesterséges intelligencia-alapú mélytanulási modellt alkalmaztak kisegítő eszközként az ultrahangos képek gyors és pontos olvasásához a kutatók.
Úttörő jelentőségű mesterséges intelligencia-modell segíthet azonosítani a születési rendellenességeket ultrahangos képeken.
A kutatók egyedülálló mesterséges intelligencia-alapú mélytanulási modellt alkalmaztak kisegítő eszközként az ultrahangos képek gyors és pontos olvasásához, egy, a dr. Mark Walker által vezetett új, koncepciót bizonyító tanulmány keretében, az Ottawai Egyetem Orvostudományi Karán.
Bár a mélytanulási modellek egyre népszerűbbek az orvosi képek értelmezésében és a rendellenességek kimutatásában, annak felderítése, hogy miként működhet a használata a szülészeti ultrahangvizsgálatnál, még csak kialakulóban van.
Kevés mesterséges intelligencia-kompatibilis tanulmányt publikáltak még ezen a területen. Olvasd el: Szívritmus-zavart jelezhet előre az őssejt-technológia és a mesterséges intelligencia
Születési rendellenességet is azonosíthat a mesterséges intelligencia ultrahangos képeken
A kutatócsoport azzal a céllal készített tanulmányt, hogy bemutassa a mélytanulási architektúrában rejlő lehetőségeket, melyek az első trimeszter ultrahangos vizsgálatai során támogatják a cisztás hygroma korai és megbízható azonosítását.
A cisztás hygroma embrionális állapot, amely a nyirokrendszer rendellenes fejlődését okozza. Ez egy ritka és potenciálisan életveszélyes rendellenesség, amely folyadékduzzanathoz vezet a fej és a nyak körül.
A születési rendellenesség jellemzően könnyen diagnosztizálható prenatálisan az ultrahangos vizsgálat során, de dr. Walker és kutatócsoportja azt kívánta tesztelni, hogy a mesterséges intelligencia vezérelte mintázatfelismerés mennyire képes a feladatra.
DenseNet modell segítségével elemezték a képeket - az Ottawai Kórházban visszamenőleg gyűjtött közel 300 magzati ultrahangból álló adatkészlet felhasználásával -, annak érdekében, hogy az érzékenység, specificitás és egyéb mérések kiszámításával helyesen azonosítsák a cisztás hygroma eseteit a normál kontrollokhoz képest.
Létrehoztak ún. gradiens osztályú aktiválási hőtérképeket – amelyek a képek pixeleit jelenítik meg – a modell értelmezhetőségének felmérésére. A modell teljes pontossága 93 százalékos volt.
„A modell kiválónak bizonyult, még kis számú képzési felvételek felhasználásával is. Amit bemutattunk, az ultrahang területén történt, de ugyanazokat az eszközöket tudjuk használni a képek osztályozására és azonosítására is, nagy érzékenységgel és specifitással" – mondta el dr. Walker.
Az eredményeket a közelmúltban tették közzé a PLOS ONE, egy lektorált nyílt hozzáférésű folyóiratban.
Az Ottawai Egyetem által vezetett kutatócsoport nagy reményeket fűz ahhoz, hová vezethet ez a fajta tanulmány.
A további fejlesztésekkel, beleértve egy nagy, több helyszínes adatkészlet keretében végzett tesztelést is, a csapat úgy véli, megközelítésüket lehet alkalmazni más magzati anomáliákra is, amelyeket általában ultrahangvizsgálattal azonosítanak.
Dr. Walker szerint a csoport célja egy nemzetközi konzorcium létrehozása a szülészeti ultrahangképek feltöltésére a „felhőbe”. Ez végső soron segíthet az alacsony és közepes jövedelmű országok orvosainak abban, hogy felhőalapú értelmezést és diagnózist érjenek el.
L.A.
