مدل‌های هوش مصنوعی (AI) را برای تشخیص تومور مغزی از بافت سالم آموزش دهند. مدل‌های هوش مصنوعی می‌توانند تومورهای مغزی را در تصاویر MRI تقریباً به اندازه یک رادیولوژیست انسانی پیدا کنند.
محققان پیشرفت‌های پایداری در زمینه هوش مصنوعی برای استفاده در پزشکی داشته‌اند. هوش مصنوعی به ویژه در رادیولوژی امیدوارکننده است، جایی که انتظار تکنسین‌ها برای پردازش تصاویر پزشکی می‌تواند درمان بیمار را به تاخیر بیندازد. شبکه‌های عصبی کانولوشنال ابزارهای قدرتمندی هستند که به محققان اجازه می‌دهند مدل‌های هوش مصنوعی را بر روی مجموعه داده‌های تصویری بزرگ آموزش دهند تا تصاویر را شناسایی و طبقه‌بندی کنند.
به این ترتیب، شبکه‌ها می‌توانند تمایز بین تصاویر را یاد بگیرند. این شبکه‌ها همچنین ظرفیت «آموزش انتقالی» را دارند. دانشمندان می‌توانند از یک مدل آموزش دیده برای یک کار برای یک پروژه جدید و مرتبط دوباره استفاده کنند.
گروه‌بندی چیزهای مختلف تحت یک هویت شی برای درک اینکه چگونه یک شبکه می‌تواند اشیاء استتار شده را تشخیص دهد ضروری است. چنین آموزشی می‌تواند به ویژه برای تشخیص تومور مفید باشد.
محققان بررسی کردند که چگونه می‌توان مدل‌های شبکه عصبی را بر روی داده‌های تصویربرداری سرطان مغز آموزش داد. در حالی که یک مرحله یادگیری انتقال تشخیص حیوانات استتار منحصر به فرد را برای بهبود مهارت‌های تشخیص تومور شبکه‌ها معرفی کردند.
محققان با استفاده از MRI از مخازن آنلاین عمومی مغزهای کنترل سرطانی و سالم، شبکه‌ها را برای تشخیص MRI سالم و سرطانی، منطقه آموزش دادند. تحت تأثیر سرطان، و نمونه اولیه ظاهر سرطان (چه نوع سرطانی به نظر می‌رسد).
بیشتر بخوانید: بازسازی مناظر با هوش مصنوعی و امواج مغزی
شبکه‌ها در تشخیص تومور مغزی
محققان دریافتند که این شبکه‌ها تقریباً در تشخیص تصاویر طبیعی مغز، تنها با یک تا دو منفی کاذب، و تمایز بین مغزهای سرطانی و سالم، عالی هستند. شبکه اول دارای دقت متوسط 85.99٪ در تشخیص سرطان مغز بود، شبکه دیگر دارای دقت 83.85٪ بود.
به دنبال این تحقیقات، این شبکه می‌تواند تصاویری تولید کند که مناطق خاصی را در طبقه‌بندی تومور مثبت یا منفی خود نشان می‌دهد. به رادیولوژیست‌ها این امکان را می‌دهد که تصمیمات خود را با تصمیمات شبکه تأیید کنند و اعتماد به نفس را افزایش دهند. تقریباً مانند یک رادیولوژیست رباتیک دوم که می‌تواند ناحیه مشخص MRI که تومور را نشان می‌دهد مشخص کند.
در آینده، محققان معتقدند تمرکز بر ایجاد مدل‌های شبکه عمیق که تصمیمات آنها می‌تواند به روش‌های شهودی توصیف شود، مهم خواهد بود. بنابراین هوش مصنوعی می‌تواند نقش حمایتی شفافی را در محیط‌های بالینی ایفا کند.
در حالی که شبکه‌ها بیشتر برای تمایز بین انواع سرطان مغز در همه موارد تلاش می‌کردند، هنوز مشخص بود که آنها نمایندگی داخلی متمایز در شبکه داشتند. هنگامی که محققان شبکه‌ها را در زمینه تشخیص استتار آموزش دادند، دقت و وضوح بهبود یافت. یادگیری انتقال منجر به افزایش دقت برای شبکه‌ها شد.