التعلم العميق يسرع إصدار تقارير التصوير بالرنين المغناطيسي للقلب

377

إبتكر باحثون دوليون خوارزمية ذكاء إصطناعي قادرة على تقدير وظيفة البطين الأيسر في القلب تلقائيًا من صورالرنين المغناطيسي, وفقا لدراسة يعتقد الخبراء أنه قد يؤدي إلى سرعة الإبلاغ عن التصوير بالرنين المغناطيسي للقلب.

يعد القياس الكمي للكسر LVEF أمرًا أساسيًا لتشخيص أمراض القلب والأوعية الدموية, ولكن الطرق الحالية تتطلب أوقات تجزئة طويلة وغالبًا ما تفتقر إلى الجودة.

وكتب Qian Tao من المركز الطبي في جامعة Leiden في هولندا وزملاؤه: “يتطلب تحديد حجم دالة الجهد المنخفض مراجعة دقيقة وتصنيفًا يدويًا للعديد من الصور الفردية, وهي مهمة تستغرق وقتًا طويلاً تعوقها الإختلافات في جودة الصورة والخبرة”.

تم تدريب الخوارزمية على 596 من مجموعات بيانات التصوير بالرنين المغناطيسي التي تم أخذها من ثلاثة باعة رئيسيين في أربعة مراكز طبية دولية. قام الباحثون بتدريب ثلاث شبكات عصبية بإستخدام مجموعات البيانات هذه, وتقسيمها إلى مجموعات من التقلبات المتزايدة.

ووجدوا أن الشبكة الثالثة التي تم تدريبها على مجموعة متنوعة من المرضى تضم 400 مريض – كانت في أقرب إتفاق مع المراقبين الخبراء ذوي الخبرة الثلاثة. بالمقارنة مع التحليل اليدوي, أظهرت الشبكة الثالثة متوسط ​​المسافة العمودية 1.1 ملم ± 0.3. في حين, رصدت الشبكة الأولي و الشبكة الثانية 1.5 ملم ± 1.0 و 1.3 ملم ± 0.6, على التوالي.

بالإضافة إلى ذلك, أظهرت قياسات دالة LV المشتقة من الشبكة الثالثة أنها عالية الترابط متفقة مع المحددات التي إتخذت يدويا لمجموعات البيانات من الموردين والمراكز المتعددة.

واختتم Tao وزملاؤه قائلاً: “لقد طورنا نظامًا آليًا لتحليل التصوير بالرنين المغناطيسي بإستخدام شبكة عصبية وقمنا بتقييمه في مجموعة شاملة متعددة المراكزوغير متجانسة. وبمجرد التدريب على البيانات ذات التباين الكافي, يمكن للنظام أن ينتج عمليات كشف وتقطيع سريعة وكاملة وألية بالكامل لمجموعة واسعة من مدخلات التصوير بالرنين المغناطيسي.”

كتب Patrick M. Colletti من قسم الأشعة في كلية الطب في جامعة كاليفورنيا في لوس أنجلوس أن Tao وزملائه يجب أن يصفقوا لنجاحهم. وأقر بأن النتائج التي توصل إليها Tao من شأنها أن تحسّن الوقت المستغرق لتوليد تقارير التصوير بالرنين المغناطيسي للقلب, لكنه حذر من أن الأمر سيتطلب المزيد من الوقت قبل أن تصبح الحلول المماثلة جاهزة للإستخدام كبرنامج معتمد.

واختتم Colletti حديثه قائلاً: “بصفتنا أساتذة ومعلمين, يمكننا أن نخبر المتدربين لدينا أنه بينما يعتبر علم البيانات أداة مهمة في خدمة ممارستنا للأشعة, فنحن نقطع شوطًا طويلاً جدًا للوصول إلي عالم أشعة روبوتي شامل”. “في غضون ذلك, سيكون لدى علماء الأشعة وعلماء البيانات شراكة ثابتة ومتنامية.

تمت ترجمة المقال الأصلي والموجود بالرابط أدناه

https://www.healthimaging.com/topics/artificial-intelligence/deep-learning-produce-faster-cardiac-mri-reports

 

تعليقات