برخی از مشکلات سلامتی به وجود مایعات اضافی در ریه‌ها ارتباط دارد. یک الگوریتم جدید با مشاهده یک تصویر برداری به کمک اشعه ایکس می‌تواند شدت این مشکل را تشخیص دهد. هر ساله، تقریباً از هر هشت مرگ در ایالات متحده، حداقل یکی از دلایل آنها تا حدی ناشی از نارسایی قلبی می‌باشد. یکی از رایج‌ترین علائم هشدار دهنده نارسایی قلبی، وجود مایعات اضافی در ریه‌ها است. این بیماری به “اِدِمِ ریه” معروف است.
«اِدِمِ ریه» چیست؟
میزان دقیق مایع اضافی درون ریه بیمار اغلب طول روند درمان را تعیین می‌کند. اما تعیین دقیق میزان این مایع در ریه دشوار است. این امر پزشکان را ملزم به اطمینان یافتن از نشانه‌های ظریف دیده شده در اشعه ایکس می‌کند. گاهی اوقات این مسئله منجر به تشخیص‌ها و برنامه‌های درمانی غیر معمول می‌شود. برای کنترل بهتر این نوع تفاوت‌ها، گروهی تحت هدایت محققان آزمایشگاه علوم رایانه‌ای و هوش مصنوعی MIT CSAIL یک مدل یادگیری ماشین را ایجاد کرده‌اند. این مدل می‌تواند با اشعه ایکس بررسی کند که شدت ورم در ریه‌ها چقدر است. مقیاس اندازه‌گیری آن از سطح 0 (وضعیت سالم) تا 3 ( وضعیت خیلی بد) دسته بندی شده است.
سیستم هوشمند ابداع شده
این سیستم بیش از نیمی از زمان سطح مناسب را تعیین کرده است. این سیستم توانسته در 90 درصد موارد تشخیص درستی داشته باشد. تیم حاضر با همکاری مرکز پزشکی BIDMC و فیلیپس، قصد دارد مدل را تا انتهای پاییز امسال با اتاق کار اورژانس مرکز پزشکی BIDMC ادغام کند. روئژی لیائو، دانشجوی دکترا، که نویسنده اصلی مقاله مرتبط است، می‌گوید: “این پروژه به منظور افزایش گردش کار پزشکان ایجاد شده است و با ارائه اطلاعات اضافی می‌تواند برای اطلاع رسانی در مورد تشخیص بیماری و همچنین امکان تجزیه و تحلیل موارد گذشته، مفید باشد”.
مزیت‌های پیشرفت این پروژه
این تیم می‌گوید که تشخیص بهتر اِدِم ریه به پزشکان کمک می‌کند تا نه تنها مسائل حاد قلبی بلکه سایر موارد مانند سپسیس و نارسایی کلیه را که به شدت با اِدِم مرتبط هستند، کنترل کنند. به عنوان بخشی از یک مقاله مجله، لیائو و همکارانش همچنین یک مجموعه داده عمومی موجود از تصاویر اشعه ایکس را تهیه کردند. این مقاله حاوی حاشیه نویسی‌های جدیدی از برچسب شدت بودند که توسط یک تیم متشکل از چهار رادیولوژیست مورد توافق قرار گرفت. امید لیائو این است که این برچسب‌ها بتواند به عنوان یک استاندارد جهانی برای معیار توسعه یادگیری ماشین در آینده باشد.
تست سیستم هوشمند طراحی شده
جنبه مهم این سیستم آن است که نه تنها روی بیش از 300000 تصویر اشعه ایکس امتحان شده است، بلکه همچنین از متون مربوط به گزارشات مربوط به تصاویر اشعه ایکسی که توسط رادیولوژیست‌ها نوشته شده است، آموزش می‌بیند. این تیم از اینکه سیستم طراحی شده آنها با استفاده از گزارش‌های مربوطه به چنین موفقیتی دست یافته است بسیار خوشحال هستند. اما در اکثر موارد موجود در سیستم برچسب توضیح دهنده میزان دقیق اِدِم ریه وجود ندارد. تانویر سیدا محمود می‌گوید: “با یادگیری ارتباط بین تصاویر و گزارش‌های مربوطه، این روش می‌تواند راهی جدید برای تولید گزارش خودکار از طریق کشف یافته‌های تصویر محور باشد.”
دانشمندان ارشد در آزمایشگاه غربالگری پزشکی IBM، آزمایشات بیشتری انجام دادند تا این مورد به طور گسترده در سایر یافته‌ها و توصیف کننده‌های ریز آنها قابل استفاده باشد. تلاش‌های چوهان متمرکز بر کمک به سیستم برای ایجاد متن گزارش‌ها بود که اغلب اوقات کوتاه‌تر از یک یا دو جمله هستند. رادیولوژیست‌های مختلف به شیوه‌های مختلف گزارش‌ها را می‌نویسند و از طیف وسیعی از اصطلاحات در گزارشات استفاده می‌کنند. بنابراین محققان مجبور شده‌اند مجموعه‌ای از قوانین و تعویض‌های زبانی را تهیه کنند تا اطمینان حاصل شود که داده‌های گزارشات به طور مداوم تجزیه و تحلیل شوند. این علاوه بر چالش فنی طراحی مدلی بود که بتواند به طور معنی داری نمایش تصویر و متن را آموزش دهد.
آموزش مدل
چوهان می‌گوید: “مدل ما می‌تواند هم تصاویر و هم متن را به انتزاعات عددی فشرده تبدیل كند و از روی آنها تفسیرهایی را انجام دهد. ما آن را آموزش دادیم تا تفاوت بین نمایش تصاویر اشعه ایکس و متن گزارش‌های رادیولوژی را با استفاده از گزارش‌ها برای بهبود تفسیر تصویر، به حداقل برسانیم”. علاوه بر این، سیستم همچنین با نشان دادن اینکه کدام قسمت از گزارش‌ها و مناطق تصاویر اشعه X با پیش بینی مدل مطابقت دارد، می‌تواند خود را “توضیح” دهد.
چوهان امیدوار است که کارهای آینده در این زمینه بتواند جزئیات دقیق‌تری از همبستگی متن و تصویر اشعه ایکس ارائه دهد. بنابراین پزشکان می‌توانند طبقه‌بندی تصاویر، گزارشات، برچسب‌های بیماری و مناطق مرتبط را ایجاد کنند. چوهان می‌گوید: “این همبستگی‌ها برای بهبود جستجوی از طریق پایگاه داده بزرگی از تصاویر و گزارش‌های اشعه ایکس، برای تأثیرگذاری تجزیه و تحلیل گذشته نگر بسیار ارزشمند خواهد بود”.
Chauhan، Golland، Liao و Szolovits این مقاله را با استادیار MIT ژاکوب آندریاس، پروفسور ویلیام ولز از بیمارستان Brigham، شین وانگ از فیلیپس و ست برکوویتز و استیون هورنگ از BIDMC نوشتند. این مقاله در 5 اکتبر در کنفرانس بین المللی محاسبه تصویر پزشکی و مداخله به کمک رایانه(MICCAI) ارائه شد. این کار توسط مرکز نوآوری در فناوری MIT Deshpande، آزمایشگاه MIT لینکلن، انستیتوهای ملی بهداشت، فیلیپس، تاکدا و شرکت ویسترون پشتیبانی شد.
