مرکز تحقیقات علوم اعصاب

کاربردهای هوش مصنوعی در علم پزشکی

در ﺑﺨﺶ وﯾﮋه اﯾﻦ ﺷﻤﺎره از ﻓﺼﻠﻨﺎﻣﻪ ﻋﻠﻮم اﻋﺼﺎب ﺣﺎل و آﯾﻨﺪه ﺑﻪ ﮐﺎرﺑﺮد ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺼﻮﯾﺮﺑﺮداری ﭘﺰﺷﮑﯽ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ و ﺳﭙﺲ در ﮔﺎم ﺑﻌﺪی ﺑﻪ ﻃﻮر اﺧﺘﺼﺎﺻﯽ ﺑﺮ ﮐﺎرﺑﺮد ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺸﺨﯿﺺ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن ﺗﻤﺮﮐﺰ ﺧﻮاﻫﯿﻢ ﮐﺮد.

ﻗﺴﻤﺖ اول

ﭼﺸﻢ اﻧﺪاز ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ

اﯾﻦ ﻗﺴﻤﺖ ﺑﻪ ﺗﺄﺛﯿﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ (AI) [1] ﺑﺮ ﺗﺼﻮﯾﺮﺑﺮداری ﭘﺰﺷﮑﯽ، ﺑﺎ ﺗﻤﺮﮐﺰ وﯾﮋه ﺑﺮ ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ ﻣﯽﭘﺮدازد. اﯾﻦ ﺣﻮزه ﮐﻪ ﺷﺎﻣﻞ اﺳﮑﻦﻫﺎی دﻗﯿﻖ ﻣﻐﺰ ﺑﺎ اﺳﺘﻔﺎده از ﻓﻨﺎوریﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﺗﺼﻮﯾﺮﺑﺮداری ﺗﺸﺪﯾﺪ ﻣﻐﻨﺎﻃﯿﺴﯽ (MRI) [2] و ﺗﻮﻣﻮﮔﺮاﻓﯽ ﮐﺎﻣﭙﯿﻮﺗﺮی (CT) [3] اﺳﺖ، ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ از ﭘﺬﯾﺮش ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﺑﻪ وﯾﮋه از ﻃﺮﯾﻖ ﺗﮑﻨﯿﮏ ﻫﺎی ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ (ML) [4] و ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ (DL) [5] ﺑﻬﺮه ﻣﯽ ﺑﺮد. اﯾﻦ ﺳﯿﺴﺘﻢﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﮐﻤﮏ ﺑﻪ ﭘﺰﺷﮑﺎن از ﻃﺮﯾﻖ ﺑﻬﺒﻮد ﺳﺮﻋﺖ، دﻗﺖ و ﮐﯿﻔﯿﺖ ﺗﺸﺨﯿﺺﻫﺎ ﻃﺮاﺣﯽ ﺷﺪهاﻧﺪ و آن را ﺑﻪ اﺑﺰاری ﺣﯿﺎﺗﯽ در ﻣﺪﯾﺮﯾﺖ ﺑﯿﻤﺎریﻫﺎی ﻋﺼﺒﯽ ﻣﺎﻧﻨﺪ ﺳﮑﺘﻪ، ﻣﻮﻟﺘﯿﭙﻞ اﺳﮑﻠﺮوزﯾﺲ (MS) [6] و ﺑﯿﻤﺎری آﻟﺰاﯾﻤﺮ ﺗﺒﺪﯾﻞ ﻣﯽﮐﻨﻨﺪ. ﯾﮑﯽ از وﻋﺪهﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ، ﺗﻮاﻧﺎﯾﯽ آن در اﻓﺰاﯾﺶ ﮐﺎراﯾﯽ و ﮐﺎﻫﺶ ﺧﻄﺎﻫﺎی اﻧﺴﺎﻧﯽ در ﺗﻔﺴﯿﺮ ﺗﺼﺎوﯾﺮ ﭘﯿﭽﯿﺪه ﭘﺰﺷﮑﯽ اﺳﺖ. ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ ﺣﺠﻢ وﺳﯿﻌﯽ از دادهﻫﺎ را ﺗﻮﻟﯿﺪ ﻣﯽﮐﻨﺪ و رادﯾﻮﻟﻮژﯾﺴﺖﻫﺎ اﻏﻠﺐ ﺑﺎ ﻣﺤﺪودﯾﺖﻫﺎی زﻣﺎﻧﯽ و ﺑﺎر ﮐﺎری ﺑﺎﻻ ﻣﻮاﺟﻪ ﻣﯽﺷﻮﻧﺪ ﮐﻪ ﺧﻄﺮ ﺧﻄﺎی در ﻧﻈﺎرت را اﻓﺰاﯾﺶ ﻣﯽدﻫﺪ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﯾﮏ اﺑﺰار ﮐﻤﮑﯽ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﺑﺮای اﻃﻤﯿﻨﺎن از ﺗﺸﺨﯿﺺ زودﻫﻨﮕﺎم ﺷﺮاﯾﻂ ﺑﺤﺮاﻧﯽ ﻋﻤﻞ ﮐﻨﺪ و ﺑﻪ ﻃﻮر ﺑﺎﻟﻘﻮه ﻧﺘﺎﯾﺞ را ﺑﺮای ﺑﯿﻤﺎران ﻣﺒﺘﻼ ﺑﻪ ﺑﯿﻤﺎریﻫﺎی ﻋﺼﺒﯽ ﺣﺎد ﯾﺎ ﻣﺰﻣﻦ ﺑﻬﺒﻮد ﺑﺨﺸﺪ.

ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ (ML) و ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ (DL)، زﯾﺮﻣﺠﻤﻮﻋﻪﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﺑﻪﻃﻮر وﯾﮋه در ﺗﺸﺨﯿﺺ اﻟﮕﻮﻫﺎ و وﯾﮋﮔﯽﻫﺎی دادهﻫﺎی ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ ﻣﻮﺛﺮ ﻫﺴﺘﻨﺪ. در ﺣﺎﻟﯽ ﮐﻪ ML ﺑﺮ اﻟﮕﻮرﯾﺘﻢﻫﺎﯾﯽ ﻣﺘﮑﯽ اﺳﺖ ﮐﻪ از دادهﻫﺎی ﺗﻔﺴﯿﺮ ﺷﺪه ﻧﺸﺎت ﻣﯽﮔﯿﺮﻧﺪ، DL ﺳﺎﺧﺘﺎر ﻣﻐﺰ اﻧﺴﺎن را ﺷﺒﯿﻪﺳﺎزی ﻣﯽﮐﻨﺪ و از ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﭼﻨﺪ ﻻﯾﻪ ﺑﺮای ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﺗﺼﺎوﯾﺮ اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ. ﯾﮏ روش ﻣﺤﺒﻮب DL، ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﮐﺎﻧﻮﻟﻮﺷﻦ (CNN) [7] اﺳﺖ ﮐﻪ ﻣﻌﻤﻮﻻ در رادﯾﻮﻟﻮژی اﺳﺘﻔﺎده ﻣﯽﺷﻮد. CNNﻫﺎ ﺗﺼﺎوﯾﺮ ﭘﺰﺷﮑﯽ را ﺑﻪ وﯾﮋﮔﯽﻫﺎی ﮐﻠﯿﺪی ﺗﺠﺰﯾﻪ ﻣﯽﮐﻨﻨﺪ ﺗﺎ اﻟﮕﻮﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﺿﺎﯾﻌﺎت ﯾﺎ ﺳﺎﯾﺮ ﻧﺎﻫﻨﺠﺎریﻫﺎ را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ و ﺑﻪ اﯾﻦ ﺻﻮرت ﺑﻪ ﺳﯿﺴﺘﻢ اﻣﮑﺎن ﺗﺸﺨﯿﺺ ﯾﺎ ﭘﯿﺶﺑﯿﻨﯽ را ﻣﯽ دﻫﻨﺪ.

ﮐﺎرﺑﺮدﻫﺎی ﮐﻠﯿﺪی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ:

ﭘﯿﺶﺑﯿﻨﯽ زﻣﺎن اﻧﺘﻈﺎر ﺑﯿﻤﺎر:

ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺣﺎل ﺣﺎﺿﺮ ﺑﺮای ﺑﻬﺒﻮد ﺟﺮﯾﺎن ﮐﺎری ﺑﯿﻤﺎرﺳﺘﺎن، ﺑﺎ ﭘﯿﺶﺑﯿﻨﯽ زﻣﺎن اﻧﺘﻈﺎر ﺑﯿﻤﺎر ﺑﺮای MRI ،CT، ﺳﻮﻧﻮﮔﺮاﻓﯽ و ﺗﺼﻮﯾﺮﺑﺮداری اﺷﻌﻪ اﯾﮑﺲ، اﺳﺘﻔﺎده ﻣﯽﺷﻮد. ﺑﺎ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻋﻮاﻣﻠﯽ ﻣﺎﻧﻨﺪ ﺷﺮاﯾﻂ ﺑﯿﻤﺎر، ﻣﺪلﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﻨﺪ زﻣﺎنﺑﻨﺪی را ﺑﻬﯿﻨﻪ ﮐﺮده و ﺑﻪ ﻃﻮر ﺑﺎﻟﻘﻮه ﻣﻨﺠﺮ ﺑﻪ ﺑﻬﺒﻮد رﺿﺎﯾﺖ ﺑﯿﻤﺎر و ﻧﺘﺎﯾﺞ، ﺑﻪ وﯾﮋه ﺑﺮای ﺷﺮاﯾﻂ ﻋﺼﺒﯽ ﺣﺴﺎس ﺑﻪ زﻣﺎن، ﺷﻮﻧﺪ.

ﮐﺎﻫﺶ ﺗﮑﺮار ﺗﺼﻮﯾﺮﺑﺮداری:

ﯾﮑﯽ از ﭼﺎﻟﺶﻫﺎی اﺻﻠﯽ در ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ، ﻧﯿﺎز ﺑﻪ ﺗﮑﺮار اﺳﮑﻦ، ﺑﻪ وﯾﮋه MRI ﺑﺮای اﺳﺖ. ﻣﻄﺎﻟﻌﺎت ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﻧﺰدﯾﮏ ﺑﻪ ۲۰ درﺻﺪ از اﺳﮑﻦﻫﺎی MRI ﻧﯿﺎز ﺑﻪ اﻧﺠﺎم ﻣﺠﺪد دارﻧﺪ ﮐﻪ زﻣﺎن و ﻣﻨﺎﺑﻊ ارزﺷﻤﻨﺪی را ﺑﻪ ﻫﺪر ﻣﯽدﻫﺪ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﮐﯿﻔﯿﺖ اﺳﮑﻦ MRI را ارزﯾﺎﺑﯽ ﮐﻨﺪ و ﺗﻌﯿﯿﻦ ﮐﻨﺪ ﮐﻪ آﯾﺎ ﻗﺒﻞ از ﺧﺮوج ﺑﯿﻤﺎران از ﻣﺮﮐﺰ، ﻧﺘﯿﺠﻪ ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻫﺴﺖ ﯾﺎ ﺧﯿﺮ. اﯾﻦ ﻧﻪ ﺗﻨﻬﺎ زﻣﺎن و ﻫﺰﯾﻨﻪ ﻣﺮﺑﻮط ﺑﻪ وﯾﺰﯾﺖﻫﺎی ﻣﮑﺮر را ﮐﺎﻫﺶ ﻣﯽدﻫﺪ، ﺑﻠﮑﻪ ﺑﻪ ﺟﻠﻮﮔﯿﺮی از ﺗﺎﺧﯿﺮ در ﺗﺸﺨﯿﺺ و درﻣﺎن ﻧﯿﺰ ﮐﻤﮏ ﻣﯽﮐﻨﺪ.

اﻓﺰاﯾﺶ ﺳﺮﻋﺖ ﺗﺼﻮﯾﺮﺑﺮداری و ﺑﻬﺒﻮد ﮐﯿﻔﯿﺖ:

ﯾﮑﯽ دﯾﮕﺮ از زﻣﯿﻨﻪﻫﺎی ﺣﯿﺎﺗﯽ ﮐﺎرﺑﺮد ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﺑﻬﯿﻨﻪ ﺳﺎزی اﺳﮑﻦﻫﺎی MRI اﺳﺖ ﮐﻪ ﻣﯽﺗﻮاﻧﺪ زﻣﺎنﺑﺮ ﺑﺎﺷﺪ. ﯾﮏ ﻓﻨﺎوری ﺑﻪ ﻧﺎم ﺳﻨﺠﺶ ﻓﺸﺮده (CS) [8] اﻏﻠﺐ ﺑﺮای ﺗﺴﺮﯾﻊ ﻓﺮآﯾﻨﺪ ﺑﺎ ﮐﺎﻫﺶ دادن ﺑﺮﺧﯽ از ﺟﻨﺒﻪﻫﺎی وﺿﻮح اﺳﺘﻔﺎده ﻣﯽﺷﻮد. ﺑﺎ اﯾﻦ ﺣﺎل، CS ﮐﯿﻔﯿﺖ ﺗﺼﻮﯾﺮ را ﮐﺎﻫﺶ ﻣﯽدﻫﺪ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﯾﻦ ﻣﺸﮑﻞ را ﺑﺎ اﻟﮕﻮرﯾﺘﻢﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ اﻓﺰاﯾﺶ وﺿﻮح ﭼﻨﺪ ﺟﻬﺘﯽ ﻣﺼﻨﻮﻋﯽ ﺑﺮﻃﺮف ﻣﯽﮐﻨﺪ و وﺿﻮح را اﻓﺰاﯾﺶ ﻣﯽدﻫﺪ؛ ﺑﻪ وﯾﮋه در ﺑﯿﻤﺎران ﻣﺒﺘﻼ ﺑﻪ ﺿﺎﯾﻌﺎت ﻣﺎده ﺳﻔﯿﺪ [9] CNS از ﺟﻤﻠﻪ ﺑﯿﻤﺎریﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﻣﻮﻟﺘﯿﭙﻞ اﺳﮑﻠﺮوزﯾﺲ. ﺳﯿﺴﺘﻢﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻤﭽﻨﯿﻦ ﻣﯽﺗﻮاﻧﻨﺪ ﺗﺼﺎوﯾﺮ ﺑﺎﮐﯿﻔﯿﺖ ﺑﺎﻻ را از اﺳﮑﻦﻫﺎی ﻓﺸﺮده و ﺑﺎ ﮐﯿﻔﯿﺖ ﭘﺎﯾﯿﻦ ﺑﺪون ﻧﯿﺎز ﺑﻪ ﺗﺼﻮﯾﺮﺑﺮداری اﺿﺎﻓﯽ ﺑﺎزﺳﺎزی ﮐﻨﻨﺪ و در زﻣﺎن و ﻣﻨﺎﺑﻊ ﺻﺮﻓﻪﺟﻮﯾﯽ ﮐﻨﻨﺪ. اﯾﻦ در ﺷﺮاﯾﻂ اﺿﻄﺮاری، ﻣﺎﻧﻨﺪ ﺗﺼﻮﯾﺮﺑﺮداری ﺳﮑﺘﻪ ﻣﻐﺰی ﯾﺎ آﺳﯿﺐﻫﺎی ﻧﺨﺎﻋﯽ، ﮐﻪ در آن ﺗﺸﺨﯿﺺ ﺳﺮﯾﻊ و دﻗﯿﻖ ﻣﯽ ﺗﻮاﻧﺪ ﻧﺠﺎت ﺑﺨﺶ ﺣﯿﺎت ﯾﮏ اﻧﺴﺎن ﺑﺎﺷﺪ، ﺑﺴﯿﺎر ﻣﻬﻢ اﺳﺖ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﺑﻪ ﻓﻨﺎوری MRI ﮐﻤﮏ ﮐﻨﺪ ﺗﺎ ﻫﻢ ﺑﻪ ﺳﺮﻋﺖ ﺳﯽ ﺗﯽ اﺳﮑﻦ ﻧﺰدﯾﮏ ﺷﻮد و ﻫﻢ وﺿﻮح ﺑﺎﻻ و ﻫﻢ زﻣﺎن ﭘﺮدازش ﺳﺮﯾﻌﺘﺮی را اراﺋﻪ دﻫﺪ.ﮐﺎﻫﺶ ﮐﻨﺘﺮاﺳﺖ و ﻗﺮارﮔﺮﻓﺘﻦ در ﻣﻌﺮض ﺗﺸﻌﺸﻊ: در ﺗﺼﻮﯾﺮﺑﺮداری ﭘﺰﺷﮑﯽ، ﻋﻮاﻣﻞ ﮐﻨﺘﺮاﺳﺖ و ﻗﺮار ﮔﺮﻓﺘﻦ در ﻣﻌﺮض اﺷﻌﻪ اﻏﻠﺐ ﺿﺮوری ﻫﺴﺘﻨﺪ، از ﻃﺮﻓﯽ اﯾﻦ ﻣﻮاﺟﻬﺎت ﺑﺎ ﺧﻄﺮاﺗﯽ ﻫﻤﺮاه ﻫﺴﺘﻨﺪ. ﺑﺮای ﻣﺜﺎل، ﻣﻮاد ﺣﺎﺟﺐ ﻣﺒﺘﻨﯽ ﺑﺮ ﮔﺎدوﻟﯿﻨﯿﻮم ﮐﻪ در MRI اﺳﺘﻔﺎده ﻣﯽﺷﻮﻧﺪ ﻣﯽﺗﻮاﻧﻨﺪ ﻣﻨﺠﺮ ﺑﻪ ﻋﻮارض ﺟﺎﻧﺒﯽ ﻣﺎﻧﻨﺪ واﮐﻨﺶﻫﺎی آﻟﺮژﯾﮏ ﯾﺎ در ﻣﻮارد ﻧﺎدر، ﻓﯿﺒﺮوز ﺳﯿﺴﺘﻤﯿﮏ ﻧﻔﺮوژﻧﯿﮏ ﺷﻮﻧﺪ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﺗﻔﺴﯿﺮ MRI وCT اﺳﮑﻦ ﺑﺎ دوزﻫﺎی ﺑﺴﯿﺎر ﮐﻤﺘﺮ ﮐﻨﺘﺮاﺳﺖ ﯾﺎ ﺣﺘﯽ ﺑﺪون ﮐﻨﺘﺮاﺳﺖ، ﺑﺪون از دﺳﺖ دادن ﺣﺴﺎﺳﯿﺖ، ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ اﺳﺖ. اﯾﻦ ﭘﯿﺸﺮﻓﺖ ﺑﻪ وﯾﮋه ﺑﺮای ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺑﻪ ﻣﻮاد ﺣﺎﺟﺐ ﺣﺴﺎﺳﯿﺖ دارﻧﺪ ﯾﺎ ﻣﺸﮑﻼت ﮐﻠﯿﻮی دارﻧﺪ ﻣﻔﯿﺪ اﺳﺖ.

ﯾﮏ ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ، ﺑﻪ ﻧﺎم SubtleGAD ﺗﻮاﻧﺎﯾﯽ اﻧﺠﺎم اﺳﮑﻦ MRI را ﺗﻨﻬﺎ ﺑﺎ ۱۰ درﺻﺪ دوز ﮐﻨﺘﺮاﺳﺖ ﻣﻌﻤﻮل ﺑﺪون ﮐﺎﻫﺶ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در ﮐﯿﻔﯿﺖ ﺗﺼﻮﯾﺮ ﻧﺸﺎن داده اﺳﺖ. اﯾﻦ ﺳﯿﺴﺘﻢ ﻣﯽﺗﻮاﻧﺪ MRI ﺑﺎ ﮐﻨﺘﺮاﺳﺖ را اﯾﻤﻦﺗﺮ ﮐﻨﺪ، ﺑﻪوﯾﮋه ﺑﺮای ﺑﯿﻤﺎران ﻣﺒﺘﻼ ﺑﻪ ﺑﯿﻤﺎریﻫﺎی ﻣﺰﻣﻦ ﮐﻪ ﻧﯿﺎز ﺑﻪ ﺗﺼﻮﯾﺮﺑﺮداریﻫﺎی ﻣﮑﺮر دارﻧﺪ.

ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﺳﮑﻦﻫﺎی ﺗﻮﻣﻮﮔﺮاﻓﯽ ﮔﺴﯿﻞ ﭘﻮزﯾﺘﺮون (PET) [10]، ﺑﺮای ﮐﺎﻫﺶ دوز ردﯾﺎبﻫﺎی رادﯾﻮاﮐﺘﯿﻮ ﻣﻮرد اﺳﺘﻔﺎده در ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ، اﺳﺘﻔﺎده ﻣﯽﺷﻮد. در ﺷﺮاﯾﻄﯽ ﻣﺎﻧﻨﺪ ﺑﯿﻤﺎری آﻟﺰاﯾﻤﺮ، ﮐﻪ در آن PET-MRI ﺑﺮای ﺷﻨﺎﺳﺎﯾﯽ ﭘﻼکﻫﺎی آﻣﯿﻠﻮﺋﯿﺪ ﺳﺎلﻫﺎ ﻗﺒﻞ از ﻇﺎﻫﺮ ﺷﺪن ﻋﻼﺋﻢ اﺳﺘﻔﺎده ﻣﯽﺷﻮد، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﺑﻪ ﮐﺎﻫﺶ ﻗﺮار ﮔﺮﻓﺘﻦ در ﻣﻌﺮض ﺗﺸﻌﺸﻊ ﮐﻤﮏ ﮐﺮده و اﻣﮑﺎن ﻧﻈﺎرت اﯾﻤﻦﺗﺮ و ﻣﮑﺮر را ﻓﺮاﻫﻢ ﮐﻨﺪ.

ﮐﺎرﺑﺮدﻫﺎی ﭘﺎﯾﯿﻦدﺳﺘﯽ در ﺗﻨﻈﯿﻤﺎت ﺑﺎﻟﯿﻨﯽ:

ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻤﭽﻨﯿﻦ ﻧﺤﻮه ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﺗﺼﺎوﯾﺮ رادﯾﻮﻟﻮژﯾﺴﺖ ﻫﺎ را ﺗﻐﯿﯿﺮ ﻣﯽدﻫﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﻨﺪ ﺑﺮای اوﻟﻮﯾﺖﺑﻨﺪی ﻣﻮارد ﺣﯿﺎﺗﯽ، ﻣﺎﻧﻨﺪ ﺑﯿﻤﺎران ﻣﺒﺘﻼ ﺑﻪ ﺧﻮﻧﺮﯾﺰی داﺧﻞ ﺟﻤﺠﻤﻪ ﯾﺎ ﺳﮑﺘﻪ ﻣﻐﺰی اﯾﺴﮑﻤﯿﮏ، ﺑﺎ ﺷﻨﺎﺳﺎﯾﯽ ﺧﻮدﮐﺎر ﻧﺎﻫﻨﺠﺎریﻫﺎ در اﺳﮑﻦﻫﺎی CT ﯾﺎ MRI اﺳﺘﻔﺎده ﺷﻮﻧﺪ. اﯾﻦ ﻣﯽ ﺗﻮاﻧﺪ ﻣﻮارد ﻓﻮری را ﺑﻪ ﺑﺎﻻی ﻟﯿﺴﺖ ﮐﺎری رادﯾﻮﻟﻮژﯾﺴﺖ ﻣﻨﺘﻘﻞ ﮐﺮده و اﻃﻤﯿﻨﺎن ﺣﺎﺻﻞ ﮐﻨﺪ ﮐﻪ ﺑﻪ ﺳﺮﻋﺖ ﺑﻪ آﻧﻬﺎ رﺳﯿﺪﮔﯽ ﻣﯽﺷﻮد. ﯾﮏ اﺑﺰار ﺧﺎص، Viz.ai، ﺑﻪ ﻃﻮر ﺧﻮدﮐﺎر اﻧﺴﺪاد ﻋﺮوق ﺑﺰرگ را در CT آﻧﮋﯾﻮﮔﺮاﻓﯽ ﺗﺸﺨﯿﺺ ﻣﯽدﻫﺪ، ﺑﻪ ﺗﯿﻢ ﺳﮑﺘﻪ ﻣﻐﺰی ﻫﺸﺪار ﻣﯽدﻫﺪ و در ﻋﺮض ﭼﻨﺪ دﻗﯿﻘﻪ ﺗﺼﺎوﯾﺮ را ﺑﻪ دﺳﺘﮕﺎهﻫﺎی ﺗﻠﻔﻦ ﻫﻤﺮاه آﻧﻬﺎ ارﺳﺎل ﻣﯽ ﮐﻨﺪ. اﯾﻦ ﻓﺮآﯾﻨﺪ ارﺗﺒﺎط و ﺗﺸﺨﯿﺺ ﺳﺮﯾﻊ ﻣﯽﺗﻮاﻧﺪ در زﻣﺎن ﺑﺎ ارزش درﻣﺎن ﺳﮑﺘﻪ ﻣﻐﺰی، ﺟﺎﯾﯽ ﮐﻪ ﻫﺮ ﺛﺎﻧﯿﻪاش اﻫﻤﯿﺖ دارد، ﺻﺮﻓﻪ ﺟﻮﯾﯽ ﮐﻨﺪ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻤﭽﻨﯿﻦ ﻣﯽﺗﻮاﻧﺪ ﺑﺮای ارزﯾﺎﺑﯽ اﯾﺴﮑﻤﯿﮏ ﭘﻨﻮﻣﺒﺮا penumbra) (Ischemic اﺳﺘﻔﺎده ﺷﻮد، ﮐﻪ ﺑﻪ ﺑﺎﻓﺖ ﻣﻐﺰی در ﺧﻄﺮ ﻣﺮگ اﺷﺎره دارد، اﻣﺎ ﺑﻪ ﻃﻮر ﺑﺎﻟﻘﻮه ﭘﺲ از ﺳﮑﺘﻪ ﻗﺎﺑﻞ ﻧﺠﺎت اﺳﺖ. ﻧﺮم اﻓﺰار ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻣﺎﻧﻨﺪ Medtronic RAPID، ﺑﻪ ﺗﻌﯿﯿﻦ ﮐﻤﯿﺖ ﻣﻨﺎﻃﻖ آﺳﯿﺐ دﯾﺪه ﻣﻐﺰ، راﻫﻨﻤﺎﯾﯽ ﭘﺰﺷﮑﺎن در ﺗﺼﻤﯿﻢﮔﯿﺮی در ﻣﻮرد ﻣﺪاﺧﻠﻪ، ﻣﺎﻧﻨﺪ ﺗﺮوﻣﺒﮑﺘﻮﻣﯽ اﻧﺪوواﺳﮑﻮﻻر و ﺑﻬﺒﻮد ﻧﺘﺎﯾﺞ ﺑﯿﻤﺎر ﮐﻤﮏ ﻣﯽﮐﻨﺪ.

ﻣﻼﺣﻈﺎت اﺧﻼﻗﯽ و ﻋﻤﻠﯽ:

درﺣﺎﻟﯽﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ وﻋﺪه ﺑﻬﺒﻮد ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ را ﻣﯽ دﻫﺪ، ﺑﺎﯾﺪ ﺑﻪ ﻣﺴﺎﺋﻞ اﺧﻼﻗﯽ ﺑﺎﻟﻘﻮه و ﭼﺎﻟﺶﻫﺎی ﻋﻤﻠﯽ ﻧﯿﺰ اﺷﺎره ﺷﻮد. ﯾﮑﯽ از ﻧﮕﺮاﻧﯽﻫﺎ ﺗﻄﺒﯿﻖ ﺑﯿﺶ از ﺣﺪ اﺳﺖ، ﺟﺎﯾﯽ ﮐﻪ ﺳﯿﺴﺘﻢﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در دادهﻫﺎی آﻣﻮزﺷﯽ ﻋﻤﻠﮑﺮد ﺧﻮﺑﯽ دارﻧﺪ اﻣﺎ ﺑﺎ ﻣﻮارد ﺟﺪﯾﺪ و دﯾﺪه ﻧﺸﺪه ﮐﺸﻤﮑﺶ دارﻧﺪ. اﯾﻦ اﻣﺮ ﺑﻪ وﯾﮋه در ﻧﻮرو رادﯾﻮﻟﻮژی ﻣﺸﮑﻞ ﺳﺎز اﺳﺖ، ﺟﺎﯾﯽ ﮐﻪ ﺷﺮاﯾﻂ ﺧﺎص ﻣﻤﮑﻦ اﺳﺖ ﻧﺎدر ﺑﺎﺷﺪ و دادهﻫﺎی ﻣﻮﺟﻮد را ﺑﺮای آﻣﻮزش ﻣﺪلﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺤﺪود ﻣﯽ ﮐﻨﺪ. ﺑﺮای ﮐﺎﻫﺶ اﯾﻦ ﻣﻮﺿﻮع، رادﯾﻮﻟﻮژﯾﺴﺖﻫﺎ ﺑﺎﯾﺪ ﺑﺎ داﻣﻨﻪ و ﻣﺤﺪودﯾﺖﻫﺎی ﻣﺠﻤﻮﻋﻪ دادهﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮای آﻣﻮزش اﯾﻦ ﺳﯿﺴﺘﻢﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ آﺷﻨﺎﯾﯽ داﺷﺘﻪ ﺑﺎﺷﻨﺪ. ﻣﻮﺿﻮع دﯾﮕﺮ ﺳﻮﮔﯿﺮی اﺗﻮﻣﺎﺳﯿﻮن اﺳﺖ، ﺟﺎﯾﯽ ﮐﻪ ﭘﺰﺷﮑﺎن ﻣﻤﮑﻦ اﺳﺖ ﺑﻪﺷﺪت ﺑﻪ ﻧﺘﺎﯾﺞ ﺗﻮﻟﯿﺪ ﺷﺪه ﺗﻮﺳﻂ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﻋﺘﻤﺎد ﮐﻨﻨﺪ، اﻃﻼﻋﺎت ﻣﺨﺎﻟﻒ را ﻧﺎدﯾﺪه ﺑﮕﯿﺮﻧﺪ ﯾﺎ ﻗﻀﺎوت اﻧﺴﺎﻧﯽ را اﻋﻤﺎل ﻧﮑﻨﻨﺪ. اﯾﻦ ﺧﻄﺮ در ﻣﺤﯿﻂﻫﺎی ﺷﻠﻮغ ﻣﺮاﻗﺒﺖﻫﺎی ﺑﻬﺪاﺷﺘﯽ ﮐﻪ رادﯾﻮﻟﻮژﯾﺴﺖﻫﺎ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ ﺣﺠﻢ ﺑﺎﻻی ﺑﯿﻤﺎران ﻣﻮاﺟﻪ ﺷﻮﻧﺪ، اﻓﺰاﯾﺶ ﻣﯽﯾﺎﺑﺪ. اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻣﻨﻈﻮر ﮐﻤﮏ ﺑﻪ ﺗﺼﻤﯿﻢﮔﯿﺮی اﻧﺴﺎﻧﯽ اﺳﺖ، ﻧﻪ ﺟﺎﯾﮕﺰﯾﻨﯽ آن، و ﭘﺰﺷﮑﺎن ﺑﺎﯾﺪ از ﻣﺤﺪودﯾﺖﻫﺎی آن آﮔﺎه ﺑﺎﺷﻨﺪ ﺗﺎ از ﺗﺸﺨﯿﺺ اﺷﺘﺒﺎه ﺟﻠﻮﮔﯿﺮی ﮐﻨﻨﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﻣﺸﮑﻞ »ﺟﻌﺒﻪ ﺳﯿﺎه« ﻫﻤﭽﻨﺎن ﯾﮏ ﻧﮕﺮاﻧﯽ اﺻﻠﯽ اﺳﺖ. ﺑﺴﯿﺎری از ﻣﺪلﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻓﺎﻗﺪ ﺷﻔﺎﻓﯿﺖ ﻫﺴﺘﻨﺪ، ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ ﮐﻪ ﺑﺎ وﺟﻮد اﯾﻨﮑﻪ ﻧﺘﺎﯾﺞ دﻗﯿﻘﯽ ﺗﻮﻟﯿﺪ ﻣﯽﮐﻨﻨﺪ، ﻣﺸﺨﺺ ﻧﯿﺴﺖ ﮐﻪ ﭼﮕﻮﻧﻪ ﺳﯿﺴﺘﻢ ﺑﻪ ﯾﮏ ﺗﺸﺨﯿﺺ ﺧﺎص رﺳﯿﺪه اﺳﺖ. اﯾﻦ ﻋﺪم ﺷﻔﺎﻓﯿﺖ ﻣﯽ ﺗﻮاﻧﺪ ﺗﺸﺨﯿﺺ ﺧﻄﺎﻫﺎ ﯾﺎ ﺳﻮﮔﯿﺮیﻫﺎ در ﺳﯿﺴﺘﻢ را دﺷﻮار ﮐﻨﺪ. ﺑﻪ ﻃﻮر ﻓﺰاﯾﻨﺪهای، درﺧﻮاﺳﺖﻫﺎﯾﯽ ﺑﺮای ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺷﻔﺎف و ﻗﺎﺑﻞ ﺗﻮﺿﯿﺢ وﺟﻮد دارد، ﺟﺎﯾﯽ ﮐﻪ ﻋﻤﻠﮑﺮد دروﻧﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﭘﺰﺷﮑﺎن واﺿﺢﺗﺮ ﻣﯽﺷﻮد و اﻃﻤﯿﻨﺎن در اﺳﺘﻔﺎده از آن ﺗﻀﻤﯿﻦ ﻣﯽﮔﺮدد.

ﻧﺘﯿﺠﻪﮔﯿﺮی

ﻫﻮش ﻣﺼﻨﻮﻋﯽ در زﻣﯿﻨﻪ ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ اﻧﻘﻼﺑﯽ اﯾﺠﺎد ﮐﺮده و اﺑﺰارﻫﺎی ﺗﺸﺨﯿﺼﯽ ﺳﺮﯾﻊﺗﺮ، دﻗﯿﻖﺗﺮ و ﮐﻢ ﺗﻬﺎﺟﻤﯽﺗﺮ را اراﺋﻪ ﻣﯽﮐﻨﺪ ﮐﻪ ﻣﯽﺗﻮاﻧﺪ ﻣﺮاﻗﺒﺖ از ﺑﯿﻤﺎر را ﺑﻬﺒﻮد ﺑﺨﺸﺪ. ﻣﺰاﯾﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺴﯿﺎر زﯾﺎد اﺳﺖ؛ از ﮐﺎﻫﺶ زﻣﺎن اﻧﺘﻈﺎر ﺑﯿﻤﺎر ﮔﺮﻓﺘﻪ ﺗﺎ اﻓﺰاﯾﺶ ﮐﯿﻔﯿﺖ ﺗﺼﻮﯾﺮ و ﺑﻪﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﻧﯿﺎز ﺑﻪ ﮐﻨﺘﺮاﺳﺖ ﯾﺎ ﺗﺸﻌﺸﻊ. ﺑﺎ اﯾﻦ ﺣﺎل، ﺑﺮای درک ﮐﺎﻣﻞ ﭘﺘﺎﻧﺴﯿﻞ آن، ﻣﺘﺨﺼﺼﺎن ﻣﺮاﻗﺒﺖﻫﺎی ﺑﻬﺪاﺷﺘﯽ ﺑﺎﯾﺪ ﭼﺎﻟﺶﻫﺎی اﺧﻼﻗﯽ را ﺑﺮرﺳﯽ ﮐﻨﻨﺪ، درک روﺷﻨﯽ از ﻣﺤﺪودﯾﺖﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ داﺷﺘﻪ ﺑﺎﺷﻨﺪ و اﻃﻤﯿﻨﺎن ﺣﺎﺻﻞ ﮐﻨﻨﺪ ﮐﻪ اﯾﻦ اﺑﺰارﻫﺎ ﺑﻪ ﻃﻮر ﻣﺴﺌﻮﻻﻧﻪ در ﮐﻨﺎر ﺗﺨﺼﺺ اﻧﺴﺎﻧﯽ اﺳﺘﻔﺎده ﻣﯽﺷﻮﻧﺪ.

ﻫﻤﺎنﻃﻮر ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﺗﮑﺎﻣﻞ ﺧﻮد اداﻣﻪ ﻣﯽدﻫﺪ، اﻧﺘﻈﺎر ﻣﯽرود ادﻏﺎم آن در ﺗﺼﻮﯾﺮﺑﺮداری ﻋﺼﺒﯽ ﮔﺴﺘﺮش ﯾﺎﺑﺪ و ﻓﺮﺻﺖﻫﺎی ﺑﯿﺸﺘﺮی ﺑﺮای ﺳﺎده ﺳﺎزی ﻓﺮآﯾﻨﺪﻫﺎی ﻣﺮاﻗﺒﺖﻫﺎی ﺑﻬﺪاﺷﺘﯽ و ﺑﻬﺒﻮد ﺗﺸﺨﯿﺺ و درﻣﺎن اﺧﺘﻼﻻت ﻋﺼﺒﯽ اراﺋﻪ دﻫﺪ.اﻫﻤﯿﺖ آﮔﺎه ﻣﺎﻧﺪن از اﯾﻦ ﭘﯿﺸﺮﻓﺖﻫﺎ و ﭘﺮداﺧﺘﻦ ﺑﻪ ﻣﻼﺣﻈﺎت ﻋﻤﻠﯽ و اﺧﻼﻗﯽ ﮐﻪ ﻧﻘﺶ روﺑﻪرﺷﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﭘﺰﺷﮑﯽ را ﻫﻤﺮاﻫﯽ ﻣﯽﮐﻨﺪ، ﺑﺮﺟﺴﺘﻪ اﺳﺖ.

Reference:

1. Monsour, R., Dutta, M., Mohamed, A. Z., Borkowski, A., & Viswanadhan, N. A. (2022). Neuroimaging in the era of artificial intelligence: current applications. Federal Practitioner, 39(Suppl .1), S14.  

Footnote:

ﮔﺮدآوری و ﺑﺎزﻧﻮﯾﺴﯽ: ﻣﻬﺪی ﺷﺎﮐﺮی داﻧﺸﺠﻮی ﭘﺰﺷﮑﯽ داﻧﺸﮕﺎه ﻋﻠﻮم ﭘﺰﺷﮑﯽ ﺷﻬﯿﺪ ﺑﻬﺸﺘﯽ