Süni intellekt ağciyər infeksiyalarının aşkarlanmasını sürətləndirə bilər

Bizi Telegram-da da izləyə bilərsiniz:@xqazeti

Yeni elmi tədqiqat KT görüntülərinin daha dəqiq və operativ təhlili üçün imkanlar yaradır

Süni intellektin tibbi diaqnostikada tətbiqi istiqamətində mühüm elmi nəticələr əldə olunub. Yeni araşdırmada ağciyər infeksiyalarının kompüter tomoqrafiyası (KT) görüntüləri əsasında daha sürətli və səmərəli müəyyənləşdirilməsinə imkan verə biləcək süni intellekt sistemi təqdim edilib.

Tədqiqatın nəticələri “Elmi Hesabatlar” (“Scientific Reports”) jurnalında dərc olunub. Araşdırmanın müəllifləri arasında Xəlifə Elm və Texnologiya Universitetinin, Aston Universitetinin, Bristol Robototexnika Laboratoriyasının və Kral Fəhd Neft və Mineral Universitetinin alimləri yer alır.

Müasir tibbdə KT müayinələri ağciyər infeksiyalarının müəyyənləşdirilməsində geniş istifadə olunur. Lakin çoxsaylı görüntülərin həkim tərəfindən ayrı-ayrılıqda təhlil edilməsi vaxt tələb edir. Tədqiqatçılar məhz bu problemi nəzərə alaraq müxtəlif tibbi məlumat bazalarından əldə olunan KT görüntülərini səmərəli şəkildə təhlil edə bilən yüngül süni intellekt modeli hazırlayıblar.

Alimlərin hazırladığı Meta-Domen Adaptiv Seqmentasiya Şəbəkəsi (MDA-SN) müxtəlif məlumat bazalarından əldə edilmiş görüntülər arasındakı fərqlərə uyğunlaşmaq üçün nəzərdə tutulub. Sistem KT görüntüsündə infeksiyaya məruz qalan sahələri müəyyənləşdirir, infeksiyanın nisbətini hesablayır və oxşar görüntüləri məlumat bazasından seçərək tibbi mütəxəssisə əlavə qiymətləndirmə imkanı yaradır.

Tədqiqatın nəticələri diqqətçəkəndir. Sistem müxtəlif məlumat bazaları üzrə sınaqlarda orta hesabla 75,93 faiz “Dice” göstəricisinə və 67,42 faiz “IoU” göstəricisinə nail olub. Müəlliflərin bildirdiyinə görə, bu nəticələr əvvəlki qabaqcıl üsullardan müvafiq olaraq 3,32 və 3,28 faiz bəndi yüksəkdir.

Yeni modelin digər mühüm üstünlüyü onun sürətidir. Tədqiqatçılar bildirirlər ki, sistem saniyədə orta hesabla 29 KT görüntüsünü emal edə bilir. Bundan başqa, modelin təlim üçün tələb etdiyi parametrlərin sayı ən yaxın müqayisə olunan sistemlə müqayisədə təxminən 70 faiz azdır. Bu xüsusiyyət texnologiyanın hesablama resurslarına olan tələbatını azaltmağa imkan verə bilər.

Alimlərin fikrincə, hazırlanmış yanaşma müxtəlif xəstəxanalarda və müxtəlif KT avadanlıqları ilə əldə olunan görüntülərin təhlilində süni intellekt sistemlərinin etibarlılığını artırmağa kömək edə bilər. Bununla belə, bu  texnologiyaların klinik praktikada geniş tətbiqindən əvvəl daha böyük və müxtəlif xəstə qrupları üzərində əlavə sınaqların aparılması vacibdir.

Tədqiqat süni intellektin tibbi görüntülərin təhlilində imkanlarının genişləndiyini göstərir. Gələcəkdə bu tip sistemlərin həkimlərin işini tamamlayan köməkçi vasitə kimi istifadə olunması diaqnostik prosesin sürətləndirilməsinə və böyük həcmdə tibbi məlumatların daha operativ qiymətləndirilməsinə şərait yarada bilər.

N.Adilqızı
XQ