براساس تحقیقی جدید، پژوهشگران می توانند به مدل های هوش مصنوعی بیاموزند بین تومورهای مغزی و بافت سالم تمایز قائل شوند.
به گزارش خبرگزاری مهربه نقل از فیز، مدل های هوش مصنوعی هم اکنون قادر هستند با دقتی مشابه پزشکان چنین تومورهایی را در تصاویر ام آر آی شناسایی کنند. محققان به طور مستمر استفاده از هوش مصنوعی در حوزه پزشکی را گسترش داده اند. به خصوص استفاده از این فناوری در زمینه رادیولوژی نویدبخش بوده است. در این حوزه انتظار بیماران برای آنکه تکنیسین ها تصاویر پزشکی را پردازش کنند، ممکن است فرایند درمان را به تعویق بیندازد.
به همین دلیل شبکه های عصبی کانولوشنال ابزارهای قدرتمندی هستند که به محققان اجازه می دهند مدل های هوش مصنوعی را براساس مخازن بزرگی از تصاویر آموزش دهند تا عکس ها را شناسایی و دسته بندی کنند.
به این ترتیب شبکه های مذکور می توانند ایجاد تمایز بین تصاویر را بیاموزند. شبکه های عصبی کانولوشنال همچنین ظرفیت انتقال یادگیری را دارند. بنابراین محققان می توانند از مدل های آموزش دیده برای انجام یک فعالیت جدید مانند یک پروژه مرتبط دوباره استفاده کنند.
هرچند ردیابی حیوانات استتار شده و دسته بندی تومورهای مغزی شامل دو نوع دسته بندی متمایز عکس است، اما محققان این پژوهش معتقدند بین حیوانی که در طبیعت استتار کرده و گروهی از سلول‌های سرطانی که با بافت سالم اطراف ترکیب می‌شوند، شباهتی وجود دارد.
فرآیند تعمیم محتوای آموخته شده یا به عبارتی گروه بندی موارد مختلف در یک زیر مجموعه ماهیتی، برای درک اینکه چگونه یک شبکه می تواند اشیاء استتار شده را تشخیص دهد، ضروری است. چنین آموزشی می تواند به ویژه برای تشخیص تومور مفید باشد.
در همین راستا محققان در پژوهش جدید از داده‌های ام آر آی حوزه عمومی، چگونگی آموزش مدل شبکه های عصبی براساس داده های تصویربرداری سرطان مغز را بررسی کردند. همچنین آنها یک مرحله یادگیری انتقال تشخیص حیوانات استتار منحصر به فرد را برای بهبود مهارت‌های تشخیص تومور شبکه‌ها معرفی کردند.
محققان متوجه شدند این شبکه ها تقریبا در ردیابی تصاویر مغزی نرمال ایده آل هستند و فقط یک تا ۲ اشتباه دارند. این مدل ها قادر به تمایز بین سلول های سالم و سرطانی بودند. نخستین شبکه عصبی ابداعی دقت ۸۵.۹۹ درصدی در ردیابی سرطان مغز داشت و دقت شبکه ای دیگر ۸۳.۸۵ درصد بود.
شبکه عصبی مذکور پس از این تحقیقات، می تواند تصاویری تولید کند که مناطق خاصی را در طبقه بندی تومور مثبت یا منفی خود نشان می دهد. این امر به رادیولوژیست‌ها این امکان را می‌دهد تا تصمیمات خود را با تصمیم‌های شبکه تأیید کنند.
