بروزرسانی: 15 آذر 1404
الگوریتم یادگیری عمیق ممکن است درمان رادیوتراپی سرطان ریه - ScienceDaily را ساده کند
ریموند مک، نویسنده مسئول بخش انکولوژی تشعشع بریگام، گفت: "بزرگترین شکاف ترجمه در کاربردهای هوش مصنوعی در پزشکی، عدم مطالعه نحوه استفاده از هوش مصنوعی برای بهبود پزشکان انسانی و بالعکس است." "ما در حال مطالعه چگونگی ایجاد مشارکت و همکاری بین انسان و هوش مصنوعی هستیم که منجر به نتایج بهتر برای بیماران می شود. مزایای این رویکرد برای بیماران شامل ثبات بیشتر در تقسیم بندی تومورها و تسریع زمان درمان است. مزایای پزشک شامل کاهش دنیوی اما عادی است. کار سخت کامپیوتری، که می تواند فرسودگی شغلی را کاهش دهد و زمان صرف کردن با بیماران را افزایش دهد."
منبع داستان:
در ادامه، محققان قصد دارند این کار را با مدل های هوش مصنوعی که قبلا طراحی کرده اند ترکیب کنند که می تواند «ارگان های در معرض خطر» دریافت پرتوهای نامطلوب را در طول درمان سرطان (مانند قلب) شناسایی کند و در نتیجه آن ها را از پرتودرمانی حذف کند. آنها به مطالعه نحوه تعامل پزشکان با هوش مصنوعی ادامه می دهند تا اطمینان حاصل کنند که مشارکت های هوش مصنوعی به جای آسیب رساندن به عملکرد بالینی کمک می کنند و در حال توسعه یک الگوریتم تقسیم بندی مستقل دوم هستند که می تواند هم تقسیم بندی های انسانی و هم تقسیم بندی های مبتنی بر هوش مصنوعی را تأیید کند.
محققان از تصاویر سی تی 787 بیمار برای آموزش مدل خود برای تشخیص تومورها از سایر بافت ها استفاده کردند. آنها عملکرد الگوریتم را با استفاده از اسکن های بیش از 1300 بیمار از مجموعه داده های خارجی که به طور فزاینده ای بیرونی بودند، آزمایش کردند. توسعه و اعتبارسنجی الگوریتم مستلزم همکاری نزدیک بین دانشمندان داده و انکولوژیست های تشعشع است. به عنوان مثال، زمانی که محققان مشاهده کردند که الگوریتم سی تی اسکن های مربوط به غدد لنفاوی را به اشتباه تقسیم می کند، مدل را با تعداد بیشتری از این اسکن ها برای بهبود عملکرد آن دوباره آموزش دادند.
مواد تهیه شده توسط بیمارستان بریگام و زنان. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
منبع
این مطالعه توسط مؤسسه ملی بهداشت (U24CA194354، U01CA190234، و U01CA209414) تأمین مالی شده است.