یک مدل یادگیری عمیق مبتنی بر هوش مصنوعی ممکن است بتواند به طور خودکار رتینوپاتی نارس (ROP) را که یکی از علل اصلی نابینایی دوران کودکی است، تشخیص دهد.
این مدل به اندازه چشم پزشکان ارشد کودکان در تشخیص تصاویر طبیعی شبکیه از افراد مبتلا به رتینوپاتی نارس مؤثر است. محققان امیدوارند این مدل هوش مصنوعی بتواند دسترسی به مراقبت در مناطق محروم را بهبود بخشد و از کور شدن هزاران نوزاد در سراسر جهان جلوگیری کند.
این تحقیق توسط یک گروه بین المللی از دانشمندان و پزشکان از بریتانیا، برزیل، مصر و ایالات متحده با حمایت مرکز تحقیقات بیومدیکال موسسه ملی تحقیقات سلامت (NIHR) در بیمارستان چشم مورفیلدز و موسسه چشم پزشکی کالج انجام شد. . دانشگاه لندن” (موسسه چشم پزشکی UCL).
دکتر کنستانتینوس بالاکاس، مدیر مرکز تحقیقات چشم و آزمایشگاه هوش مصنوعی بالینی در بیمارستان چشم مورفیلدز و دانشیار موسسه چشم پزشکی دانشگاه کالج لندن، گفت: “رتینوپاتی نارس به دلیل میزان بقای نوزادان نارس در حال افزایش است. این بیماری در سطح جهانی افزایش یافته است و اکنون علت اصلی نابینایی کودکان در کشورهای با درآمد متوسط و ایالات متحده است.
بالاکاس ادامه داد: حدود 30 درصد از نوزادانی که در جنوب صحرای آفریقا زندگی می کنند درجاتی از رتینوپاتی نارس هستند. اگرچه درمان‌ها در حال حاضر به راحتی در دسترس هستند، اما در صورت عدم تشخیص و درمان سریع می‌تواند منجر به نابینایی شود. این مشکل اغلب ناشی از کمبود چشم پزشک است، اما از آنجا که قابل تشخیص و درمان است، هیچ کودکی نباید با رتینوپاتی نارس کور شود.
وی افزود: گرچه رتینوپاتی نارس هر روز بیشتر می شود، اما بسیاری از مناطق به اندازه کافی چشم پزشک آموزش دیده برای دیدن همه کودکان در معرض خطر ندارند. امیدواریم مدل هوش مصنوعی ما با تشخیص خودکار رتینوپاتی نوزادان نارس، دسترسی به مراقبت در مناطق محروم را بهبود بخشد و از کوری هزاران نوزاد در سراسر جهان جلوگیری کند.
علائم رتینوپاتی نارس را نمی توان با چشم غیر مسلح مشاهده کرد. این بدان معناست که تنها راه تشخیص این بیماری، نظارت بر نوزادان در معرض خطر با معاینه چشم است. بدون زیرساخت های کافی برای مراقبت های جامع دوران بارداری و پس از زایمان، فرصت محدود غربالگری و درمان می تواند از دست رفته و منجر به نابینایی شود.
در این پروژه، محققان مدل هوش مصنوعی خود را با 7414 تصویر از چشمان 1370 نوزادی که در بیمارستان هومرتون لندن بستری شده بودند، آموزش دادند. این بیمارستان به جامعه ای خدمت می کند که از نظر قومی، اقتصادی و اجتماعی متنوع است، که این مهم است زیرا شبکیه چشم نارس می تواند بین گروه های قومی متفاوت باشد. بنابراین، مدل هوش مصنوعی برای کار در بین گروه‌های قومی آموزش داده شد و اطمینان حاصل کرد که همه می‌توانند از آن بهره ببرند.
سپس عملکرد این مدل بر روی 200 تصویر دیگر مورد ارزیابی قرار گرفت و با رتبه بندی های چشم پزشکان ارشد مقایسه شد. در مرحله بعدی، محققان مدل هوش مصنوعی را با مجموعه داده های به دست آمده از ایالات متحده، برزیل و مصر تأیید کردند.
عکس سمت چپ شبکیه چشم چپ نوزاد مبتلا به رتینوپاتی نارس را نشان می دهد و عکس سمت راست نقشه ای را نشان می دهد که توسط الگوریتم هوش مصنوعی ایجاد شده است. این تصویر بخش هایی را نشان می دهد که بیشترین تأثیر را در تصمیم گیری از مدل هوش مصنوعی دارند.
اگرچه این مدل برای یک جمعیت بریتانیایی تنظیم شده است، اما محققان امیدوارند که در کشورهای دیگر نیز کارایی داشته باشد و برای شرایط دیگر تنظیم شود. این مدل هوش مصنوعی به عنوان یک پلت فرم یادگیری عمیق بدون کد توسعه داده شد. این بدان معنی است که افرادی که تجربه قبلی ندارند نیز می توانند آن را با رمزگذاری جدید راه اندازی کنند.
دکتر زیگفرید واگنر، محقق موسسه چشم پزشکی کالج دانشگاه لندن و بیمارستان چشم مورفیلدز و محقق ارشد این پروژه، گفت: «یافته‌های ما تحقیقات مداوم در زمینه فناوری‌های هوش مصنوعی برای تشخیص رتینوپاتی نارس را توجیه می‌کند.» ما اکنون در حال ارزیابی مدل هوش مصنوعی خود در این پروژه هستیم. چندین بیمارستان بریتانیا، و ما به دنبال یادگیری نحوه تعامل افراد با نتایج هوش مصنوعی هستیم تا بفهمیم چگونه می‌توانیم این مدل را در تنظیمات بالینی دنیای واقعی بگنجانیم.
واگنر ادامه داد: امید این است که این مدل به پرستاران آموزش دیده اجازه دهد تا تصاویری تولید کنند که هوش مصنوعی بتواند تجزیه و تحلیل کند. به این ترتیب ارجاعات درمانی بدون نیاز به چشم پزشک برای بررسی دستی اسکن ها انجام خواهد شد.
این تحقیق در مجله The Lancet Digital Health منتشر شده است.
منبع: آخرین خبر