نیویورک، 18 آگوست 2020 / PRNewswire / – تحقیقات جدید نشان می دهد که اسکن های سریع رزونانس مغناطیسی (MRI) که با هوش مصنوعی (AI) تولید شده اند به همان اندازه مؤثر بوده و از نظر تشخیصی با MRI سنتی قابل تعویض هستند. این نتایج می تواند به طور قابل توجهی تجربه بیمار را بهبود ببخشد ، دسترسی به MRI را گسترش دهد و موارد استفاده جدید برای MRI را به طور بالقوه فعال کند.

برای مطالعه ، محققان دانشکده پزشکی NYU Grossman و Facebook AI یک شبکه عصبی ایجاد کردند و آن را با استفاده از بزرگترین مجموعه داده منبع باز جهان MRI های زانو زدایی غیرقابل شناسایی جهان آموزش دادند ، که توسط NYU Langone Health به عنوان بخشی از ابتکارات fastMRI ایجاد و به اشتراک گذاشته شد. دو سال پیش با فیس بوک راه اندازی شد. با از بین بردن تقریباً چهار چهارم از داده های خام مورد استفاده برای ایجاد یک اسکن ، مدل AI قادر به ایجاد یک اسکن fastMRI بود که با اسکن ایجاد شده توسط فرآیند MRI کندتر استاندارد تولید می کند. از آنجا که اسکن fastMRI چهار برابر داده کمتری نیاز دارد ، بیماران می توانند خیلی سریعتر تصویربرداری شوند و زمان کمتری را در دستگاه اسکن بگذرانند.

رادیولوژیست های اسکلتی عضلانی دو مجموعه از MRI ​​زانو را از 108 بیمار بررسی کردند ، یک مجموعه با استفاده از تکنیک های تصویربرداری استاندارد و یک مجموعه با استفاده از مدل fastMRI AI. نتایج ، منتشر شده در ژورنال آمریکایی روژنتولوژیدر ارزیابی رادیولوژیستها تفاوت معنی داری مشاهده نشد. آنها رادیولوژیستها همان ناهنجاریها را پیدا کردند و بدون در نظر گرفتن اینکه معیارهای استاندارد را بررسی می کنند یا MRI های ایجاد شده توسط AI ، به همان تشخیص رسیده اند. علاوه بر این ، همه رادیولوژیست ها تصاویر شتاب یافته AI را از نظر کیفیت کلی بهتر از نمونه های سنتی ارزیابی کردند.

خبر مرتبط  راه حل هوشمند تجزیه و تحلیل داده های آب AEEC برای برنامه LIFT انتخاب شده است

وی گفت: “این مطالعه یک گام مهم در جهت پذیرش و استفاده از اسکنهای MRI با شتاب AI است ، زیرا برای اولین بار نشان می دهد که تصاویر حاصل از هوش مصنوعی از نظر ظاهری قابل تشخیص نیستند و از نظر دقت تشخیصی قابل تعویض هستند. “می گوید مایکل پی. رشت، دکتر ، رئیس و لوئیس ماركس استاد رادیولوژی در NYU Langone ، و نویسنده اصلی این تحقیق. “این نشانه تغییر پارادایم مهیج در چگونگی توانایی ما در بهبود تجربه بیمار و ایجاد تصاویر است.”

جزئیات مطالعه

این مطالعه به این منظور طراحی شده است که نشان می دهد تصاویر ایجاد شده توسط AI به طور قابل اعتماد در همان تشخیص ها نتیجه می گیرند و نیازهای رادیولوژیست ها را دقیقاً مطابق تصاویر سنتی برآورده می کنند. برای مطالعه ، شش رادیولوژیست اسکلتی عضلانی دو مجموعه از MRI ​​های زانو از 108 بیمار تست شده را که در NYU Langone Health ارزیابی شده بودند ، بررسی کردند.

خبر مرتبط  SiliconExpert با راه اندازی بسترهای نرم افزاری و خدمات SaaS برای قطعات ، مواد اولیه و مدیریت زنجیره تأمین ، بیستمین سالگرد بزرگداشت را جشن می گیرد.

دو مجموعه از MRI ​​برای هر مورد بیمار ایجاد شد: یک مجموعه با استفاده از تکنیک های تصویربرداری استاندارد و یک مجموعه با استفاده از مدل fastMRI AI. به رادیولوژیست ها که اسکن ها را ارزیابی می کنند ، گفته نشده است که کدام تصاویر با هوش مصنوعی ساخته شده اند و برای محدود کردن پتانسیل تعصب فراخوان ، ارزیابی تصاویر استاندارد و تصاویر با شتاب AI حداقل حداقل یک ماه از هم فاصله دارند.

رادیولوژیست ها به طور سیستماتیک تصاویر را برای آسیب شناسی مانند اشک منیسک ، ناهنجاری های رباط و نقص غضروف ارزیابی کردند و این موارد را در یک گزارش ساختاری ذکر کردند. از داوران نیز خواسته شد كه كیفیت تصویر را ارزیابی كنند و بگویند آیا اعتقاد دارند این تصویر با هوش مصنوعی ایجاد شده است یا خیر. بعد از اینکه رادیولوژیستها MRI های شتاب یافته و سنتی را برای هر مورد بررسی کرده بودند ، نتایج مقایسه شدند تا ببینند آیا اختلافاتی در تشخیص آنها وجود دارد یا خیر.

می گوید: “ما از این نتایج بسیار تشویق می شویم.” دانیل K. سوددیکسون، دکتر ، دکترا ، معاون رئیس تحقیقات در رادیولوژی و مدیر مرکز نوآوری و تحقیقات پیشرفته تصویربرداری در NYULH. “ما همچنین دیگران را ترغیب می کنیم تا از داده های fastMRI و کد منبع آزاد برای یافتن نتایج استفاده کنند. با هم ، ما همچنان به مرزهای تصویربرداری پزشکی خواهیم پرداخت ، با استفاده از هوش مصنوعی نه فقط برای تکثیر وظایف انجام شده توسط انسان ، بلکه برای تولید کاملاً جدید. قابلیت هایی – مانند MRI ultrafast – که باعث افزایش مراقبت از بیماران می شود. ”

خبر مرتبط  General Iron Dynamics Iron Works و توافقنامه رسیدن به اتحادیه

مراحل بعدی برای FastMRI

محققان بعدی NYU Langone و Facebook AI می خواهند نشان دهند که fastMRI با سایر ارگان های حیاتی مانند مغز کار می کند. به عنوان یک پروژه منبع باز fastMRI داده ها ، مدل ها و کد های خود را منتشر کرده است تا محققان دیگر و همچنین تولید کنندگان سیستم های MRI تجاری بتوانند روی کار خود بسازند و ایده های جدیدی را ارائه دهند. تیم fastMRI امیدوار است که این رویکرد باز باعث پیشرفت در جهت اجرای کلینیک شود و به روشهای جدید استفاده از هوش مصنوعی برای تسریع در اسکن های MRI منجر شود.

پرس و جوهای رسانه ای
راب مگیار
[email protected]
212-404-3591

SOURCE NYU بهداشت لانگون

لینک های مربوطه

http://www.med.nyu.edu