عضو هیئت علمی دانشگاه علوم پزشکی مشهد و متخصص طب اورژانس با اشاره به طراحی نرم افزاری بر پایه هوش مصنوعی جهت کمک به تشخیص خودکار آسیب‌های ناشی از ترومای سر در تصاویر CT اسکن گفت: این سیستم به پزشک کمک می کند تا بتواند تشخیص خود را در خصوص وجود یا عدم وجود پاتولوژی در تصاویر سی تی اسکن، بصورت دقیق تر اعلام کند.
دکتر بهرنگ رضوانی کاخکی در گفتگو با وبدا، پیرامون شکل گیری ایده‌ی طرح مذکور و فرایند پیگیری آن بیان کردند: زمانیکه دستیاران تخصصی و یا دانشجویان ما تصاویر CT اسکن بیماران را مشاهده می‌کردند، معمولاً گزارشاتی مبنی بر اینکه به عنوان مثال تصویر حاوی پاتولوژی است یا خیر و... ارائه می کردند و از آنجا که بعضاً خطای انسانی در این تشخیص ها قابل پیش بینی است و می‌تواند تشخیص کادر پزشکی را تحت تاثیر قرار دهد، ما درصدد برآمدیم که از هوش مصنوعی برای دقت بیشتر این تشخیص ها استفاده کنیم ، در واقع این قابلیت به ما کمک می کند تا با درصد اطمینان بیشتری بگوییم که آیا تصاویر CT اسکن بیماران پاتولوژی دارد یا خیر؟
در همین راستا تعداد۳۰۰ تصویر نرمال) فاقد پاتولوژی) و300 تصویر CT اسکن دارای پاتولوژی را از سیستم PACS بیمارستان شهید هاشمی نژاد استخراج کرده و توسط شبکه عصبی مصنوعی آنالیز های لازم صورت گرفت ، در نهایت این سیستم به ما با یک درصد اطمینانی می‌گفت که تصویر پاتولوژی دارد و یا خیر ؟ در اینجا متخصص یا دستیار تخصصی با بازخوردی که از هوش مصنوعی می گیرد می‌تواند با دقت بیشتری پاتولوژی را بررسی کند. لازم به ذکر این نکته است که دقت هیچ یک از این موارد ( انسان یا هوش مصنوعی) به میزان ۱۰۰ درصد نیست، اما در کنار هم احتمال خطا را بسیار کاهش می دهد.
نکته قابل ذکر در مورد این تحقیق آن است که بارگذاری اطلاعات هوش مصنوعی از طریق فضای گوگل کولب بوده و هر بار که تصمیم به اجرای آن گرفته میشد، حدودا 30 تا 45 دقیقه زمان صرف شده تا مجدداً این شبکه عصبی مصنوعی تصاویر را آموزش ببیند و ما بتوانیم در آن به عنوان ورودی جدید یک تصویر CT اسکن را بارگذاری کرده و خروجی را مشاهده کنیم ، به همین علت ما از یک نفر از دوستان خواهش کردیم که اپلیکیشنی را بر اساس اطلاعات و شبکه عصبی مصنوعی که در این تحقیق صورت گرفته است برای ما طراحی کند که این App تنها پس از یکبار آموزش این قابلیت را داشته باشد که در هر اجرا در زمان های متفاوت تصویر را دریافت و اعلام کند که تصویر جدید حاوی پاتولوژی است یا خیر؟ البته این اپلیکیشن ساده بوده است و اگر دانشگاه بتواند همکاری کند و یک اپلیکیشن بزرگتر با طراحی بهتر که بتوانیم داده‌های بیشتری در آن آپلود کنیم ، درصد احتمال خطا کمتر خواهد شد . زیرا اگر مقرر بود اپلیکیشن پیچیده‌ای تهیه کنیم باید از متخصصانی در این حوزه کمک می‌گرفتیم که طبیعتاً دستمزدهای بالایی دارند و پرداخت آن از عهده ما خارج بود.
خانم مهندس شهرکی، کارشناس واحد توسعه و تحقیقات بالینی مرکز آموزشی ، پژوهشی و درمانی شهید هاشمی نژاد و عضو کلیدی در طراحی این هوش مصنوعی نیز در خصوص این موضوع اظهار داشتند: ما در این طرح از شبکه عصبی کانولوشن استفاده کردیم که دلایل خاصی هم داشت. ویژگی خوب شبکه عصبی کانالوشن این است که تصاویر و یا ورودی های دو بعدی و سه بعدی را به همان صورت دریافت و پردازش میکند.
نکته بسیار مهم که آموزش شبکه های عصبی کانولوشنالی را در اولویت بالاتری نسبت به سایر روش‌ها قرار می‌دهد؛ جلوگیری از بیش پردازش است. به عبارتی در سایر روش‌های پردازش تصویر، معمولا فیلترها و الگوریتم‌هایی که پردازش تصویر و شناسایی اجزا، به وسیله آنها صورت می‌گیرد ، ( به عنوان مثال جهت رفع نویز تصویر و ...) زمان بر می باشد، در حالی که در شبکه عصبی کانولوشنالی، این کار به وسیله آموزش مداوم و به صورت خودکار انجام می‌شود. در این حالت پردازش‌ها و حجم محاسبات ساده‌تر بوده است.
به دلیل این که ما جهت جمع آوری دیتا با حجم و تعداد بالا با چالش هایی رو به رو هستیم ، و همچنین با در نظر گرفتن این نکته که هرچه شبکه عصبی مصنوعی از داده‌های ورودی بیشتری برخوردار باشد، درصد دقت خروجی آن افزایش می باید ما از تکنیک یادگیری انتقالی استفاده کردیم .
روش یادگیری انتقالی به این صورت است که از دانشی که مدل برای حل یک وظیفه به دست آورده است برای وظیفه‌ی دیگری که شباهت زیادی به وظیفه اول دارد استفاده میکند. مهم‌ترین مزایای استفاده از تکنیک یادگیری انتقالی این است که نیاز ما را به حجم زیادی داده کاهش می دهد و عملکرد شبکه‌ی عصبی مصنوعی در اغلب موارد بهتر خواهد بود. بنابراین ما در این تحقیق با تعداد ۶۰۰ دیتا به درصد دقت خوبی رسیدیم.
لازم به ذکر است که ما ۹۰ درصد دیتاها را به عنوان داده آموزش و ۱۰ درصد را به عنوان داده تست در اختیار شبکه عصبی مصنوعی گذاشتیم . بصورت خودکار پس از آموزش ، ۱۰ درصد دیتا های تست را که حاوی یا فاقد پاتولوژی بودن آنها مشخص نیست بررسی میکند و خروجی خود را با آنچه در واقعیت است و قبلا برای او مشخص شده مقایسه میکند و با انجام محاسباتی، Accuracy را تعیین میکند که این محاسبات اصطلاحا از طریق ماتریس درهمریختگی انجام می‌شود .
وی همچنین در خصوص دقت این هوش مصنوعی بیان کردند: هوش مصنوعی و به طور کلی شبکه‌های عصبی مصنوعی مانند انسان است و میزان دقت آن در موارد مختلف می‌تواند متغیر باشد که در اینجا نیاز به نظر پزشک و بررسی های بیشتری بوده. اما عمدتاً درصد دقت آنها بالا است و می تواند کاربردهای آموزشی داشته باشد و چنانچه این نرم‌افزار بر روی سیستم‌های بیمارستان قابل نصب باشد دانشجویان می‌توانند تصاویر را دانلود کنند و خروجی‌های آن را ببینند و آموزش‌هایی را در طی مراحل یاد بگیرند.
خانم مهندس شهرکی همچنین اضافه کرد: شبکه عصبی مصنوعی که ما طراحی کرده‌ایم در ۹ مرحله آموزش های کافی را دیده است این هوش مصنوعی در واقع به عنوان کمکی برای پزشک است و ما نمی‌توانیم آن را جایگزین پزشک بدانیم اما در کنار پزشکان می‌تواند بسیار عملکرد خوبی داشته باشد.
