هوش مصنوعی انقلابی در تجزیه و تحلیل تصاویر پزشکی است

هوش مصنوعی انقلابی در تجزیه و تحلیل تصاویر پزشکی است
Aaron Nicolson working on his model for automated X-ray reporting. Credit: CSIRO


هوش مصنوعی انقلابی در تجزیه و تحلیل تصاویر پزشکی است

آرون نیکلسون برای گزارش های خودکار X -Ray روی مدل خود کار می کند. اعتبار: CSIRO

یکی از هر دو استرالیایی به طور مرتب از هوش مصنوعی (AI) استفاده می کند ، همانطور که انتظار می رود این تعداد باشد. هوش مصنوعی در زندگی ما با چتگپت و چت دیگر برجسته تر از همیشه به نظر می رسد.

محققان محققان CSIRO (AEHRC) بررسی می کنند که چگونه سیستم های هوش مصنوعی-از جمله سیستم های پشتیبانی از Chatbots برای به دست آوردن یک آزمایش آزمایشی بیشتر: برای انقلابی در مراقبت های بهداشتی.

نسخه های قبلی ChatGPT بر روی سیستم هوش مصنوعی به نام یک مدل بزرگ زبان (LLM) ساخته شده و کاملاً بر اساس متن ساخته شده است. با وارد کردن متن “صحبت می کنید”.

به عنوان مثال ، آخرین نسخه از ChatGPT شامل مدل های بصری (VLM) است که درک بصری بالاترین مهارت های زبانی را اضافه می کند. این به او اجازه می دهد “ببیند” ، آنچه را که می بیند “توصیف کند و آن را به زبان متصل کند.

محققان AEHRC اکنون از VLMS برای کمک به تفسیر تصاویر پزشکی مانند X -rays استفاده می کنند.

این یک تکنیک پیچیده است ، اما هدف واضح و مستقیم است: حمایت از رادیولوژیست ها و کاهش بار آن.

مدل های زبان بصری تجزیه و تحلیل X -ray را تبدیل می کنند

دکتر آرون نیکلسون ، دانشمند تحقیقات AEHRC ، یکی از محققانی است که در این پروژه کار می کند.

وی گفت: از هر نوع تصویر می توان با VLM استفاده کرد ، اما تیم وی روی X -rays روی سینه تمرکز دارد.

X -rays از قفسه سینه به دلایل مهم بسیاری از جمله تشخیص سیستم قلب و تنفسی و صفحه سرطان ریه و برای بررسی موقعیت وسایل پزشکی مانند دستگاه های حمله قلبی استفاده می شود.

معمولاً ، متخصصان آموزش دیده – دانشمندان ویلس – تصاویر پیچیده را تفسیر می کنند و گزارش تشخیصی را تهیه می کنند.

اما در استرالیا ، رادیولوژیست ها نصب شده اند.

نیکلسون گفت: “رادیولوژیست های بسیار کمی برای کوه کار وجود دارند که باید تکمیل شوند.”

این مشکل به احتمال زیاد باعث تشدید تعداد بیماران و X -rays می شود که برای ادامه افزایش ، به ویژه با عبور از جمعیت ، مصرف می شوند.

به همین دلیل ، نیکولسون مدلی را تهیه می کند که از VLM برای تولید گزارش های X -ray روی قفسه سینه استفاده می کند.

وی گفت: “هدف از این امر ایجاد فناوری است که می تواند در عملکرد رادیولوژیست ها و کمک ها ادغام شود.”

تمرین (تقریبا) عالی است

آموزش VLM شامل داده های زیادی است. هرچه اطلاعات بیشتر متعلق به مدل باشد ، پیش بینی می شود.

نیکلسون توضیح داد که VLM همان اطلاعاتی را که متخصص-رادیولوژیست-X و متخصص ارجاع دریافت می کند ، ارائه می دهد.

سپس گفت: “سپس ما گزارش رادیولوژی یکسان را که توسط رادیولوژیست نوشته شده است ، به مدل می دهیم. این مدل می آموزد که گزارشی را بر اساس تصاویر و اطلاعات ارائه شده ارائه دهد.”

مانند انسان ، مدل های هوش مصنوعی از طریق تمرین بهبود می یابند.

نیکلسون گفت: “ما در حال آموزش مدل با استفاده از صدها و هزاران X -tray هستیم. از آنجا که این مدل در داده های بیشتری آموزش دیده است ، می تواند گزارش های دقیق تری تولید کند.”

در این مرحله از تحقیقات خود ، نیکلسون به دنبال بهبود دقت گزارش ها بود – بنابراین تصمیم گرفت چیز جدیدی را امتحان کند.

وی گفت: “ما الگویی برای سوابق بیمار از بخش اورژانس نیز ساخته ایم.”

“این بدان معناست که اطلاعاتی مانند شکایت اصلی بیمار هنگام کارگردانی ، علائم حیاتی آن در طول محل سکونت ، داروهایی که معمولاً مصرف می کنند و داروهایی که در طول محل زندگی بیمار تجویز می شوند.”

درست همانطور که او امیدوار بود ، ارائه این مدل اطلاعات اضافی ، دقت گزارش های رادیولوژی را بهبود می بخشد.

وی گفت: “ما در تلاش هستیم تا فناوری را تا حدی قرار دهیم که می تواند در آزمایشات بالقوه در نظر گرفته شود. این یک گام بزرگ در این راستا است.”

هوش مصنوعی اخلاقی و قابل اجرا

AEHRC علاوه بر تولید گزارش های تشخیصی از تصاویر X -ray ، سایر برنامه های VLMS را بررسی می کند.

دکتر آروین ژوانگ ، در پس از DOC ، در AHRC VLMS برای بازیابی اطلاعات از اسناد پزشکی استفاده می شود. پردازش اسناد به عنوان یک تصویر به جای متن اجازه می دهد تا اطلاعات به طور کارآمد تر بازیابی شوند.

این یک زمان هیجان انگیز برای نیکلسون و چاونگ است ، اما ملاحظات و ایمنی اخلاقی همیشه در صدر ذهن آنها قرار دارد.

نیکولسون گفت: “ما می خواهیم اطمینان حاصل کنیم که این مدل برای همه جمعیت مؤثر است. برای انجام این کار ، ما باید در مورد موضوعاتی مانند تعصب جمعیت شناختی در داده هایی که در مدل ها آموزش می دهیم فکر کنیم.”

همچنین خاطرنشان می شود که فناوری برای جایگزینی متخصصان پزشکی طراحی نشده است.

نیکلسون گفت: “فناوری به تنهایی تصمیمات بالینی را نمی گیرد. همیشه یک رادیولوژیست در این قسمت وجود خواهد داشت.”

او و تیمش در حال حاضر با همکاری بیمارستان پرنسس الکساندرا در بریزبن ، آزمایش فناوری را انجام می دهند و ارزیابی می کنند که چگونه گزارش های ایجاد شده از هوش مصنوعی با نتایج تولید شده توسط رادیولوژیست های انسانی مقایسه می شود.

آنها همچنین به طور فعال به دنبال سایت های بالینی اضافی برای شرکت در آزمایش های دیگر ، برای ارزیابی اثربخشی فناوری از طریق مجموعه گسترده ای از تنظیمات هستند.

نقل قولهوش مصنوعی انقلابی در تجزیه و تحلیل تصویر پزشکی است (2025 ، 10 اوت). در 10 آگوست 2025 از https://medicalxpress.com/news/2025-08-inteigence-revactionization- medical-image.html بازیابی شد

این سند منوط به حق چاپ است. صرف نظر از هرگونه معامله عادلانه به منظور مطالعه یا تحقیقات خصوصی ، هیچ بخشی از مجوز کتبی قابل بازتولید نیست. محتوا فقط برای اهداف اطلاعاتی ارائه شده است.




منبع: https://medicalxpress.com/news/2025-08-artificial-intelligence-revolutionizing-medical-image.html