- Ένα νέο μοντέλο τεχνητής νοημοσύνης μπορεί να ανιχνεύσει πνευμονικές παθήσεις με ακρίβεια 96,57% μέσω βίντεο υπερήχων, διαφοροποιώντας μεταξύ πνευμονίας, COVID-19 και άλλων ασθενειών.
- Το υβριδικό μοντέλο TD-CNNLSTM-LungNet συνδυάζει συνελικτικά νευρωνικά δίκτυα και μοντέλα μακράς βραχύχρονης μνήμης, βελτιώνοντας την ακρίβεια των διαγνώσεων σε σύγκριση με προηγούμενα εργαλεία.
- Το σύστημα παρέχει εξηγήσεις για τις διαγνώσεις του, ενισχύοντας την αξιοπιστία και την κλινική διαφάνεια, με δυνατότητες ανίχνευσης και άλλων πνευμονικών παθήσεων όπως φυματίωση και καρκίνο.
Ένα νέο μοντέλο τεχνητής νοημοσύνης μπορεί να ανιχνεύσει την παρουσία διαφορετικών παθήσεων των πνευμόνων από βίντεο υπερήχων, με ακρίβεια 96,57%, και να διακρίνει εάν οι ανωμαλίες οφείλονται σε πνευμονία, COVID-19 ή άλλες ασθένειες.
Το μοντέλο, που ανέπτυξαν ερευνητές από το Πανεπιστήμιο Charles Darwin της Αυστραλίας (CDU), το United International University και το Australian Catholic University (ACU), μπορεί να αναγνωρίσει συγκεκριμένα μοτίβα διαφορετικών πνευμονικών παθήσεων, ξεπερνώντας τα προηγούμενα εργαλεία τεχνητής νοημοσύνης που έχουν δοκιμαστεί στα ίδια σύνολα δεδομένων υπερήχων.
«Το μοντέλο χρησιμοποιεί επίσης τεχνικές τεχνητής νοημοσύνης για να δείξει στους ακτινολόγους γιατί πήρε ορισμένες αποφάσεις, διευκολύνοντάς τους έτσι να κατανοήσουν καλύτερα τα αποτελέσματα», δήλωσε η συν-συγγραφέας της μελέτης Νιούσα Σαφιαμπέιντι, καθηγήτρια στο CDU.
«Αυτό το μοντέλο βοηθά τους γιατρούς να διαγνώσουν ασθένειες των πνευμόνων γρήγορα και με ακρίβεια, υποστηρίζει τη λήψη αποφάσεων, εξοικονομεί χρόνο και χρησιμεύει ως πολύτιμο εργαλείο εκπαίδευσης» εξήγησε.
Η ομάδα συνδύασε δύο είδη μοντέλων τεχνητής νοημοσύνης, δείχνοντας πόσο προσαρμόσιμη είναι η τεχνολογία για διαγνωστικές ανάγκες. Το πρώτο, γνωστό ως συνελικτικό νευρωνικό δίκτυο (CNN), αναζητά μοτίβα σε εικόνες ή καρέ, εστιάζοντας στις πιο μικροσκοπικές αλλαγές που βασίζονται σε pixel που μπορεί να μη εντοπίσει το ανθρώπινο μάτι κατά την εξέταση σαρώσεων. Στη συνέχεια, ένα μοντέλο Μακράς Βραχύχρονης Μνήμης (LSTM) χρησιμοποιεί αυτές τις πληροφορίες και τις τοποθετεί σε ένα ευρύτερο πλαίσιο, αναλύοντας τα δεδομένα του συνελικτικού νευρωνικού δικτύου με την πάροδο του χρόνου.
Συνδυάζοντας τις δυνάμεις τους, το νέο υβριδικό μοντέλο το οποίο ονόμασαν TD-CNNLSTM-LungNet μπορεί να εντοπίσει με εξαιρετική ακρίβεια τις ανωμαλίες και στη συνέχεια να εξηγήσει ποιο είναι το πρόβλημα. Επιπλέον, μπορεί να προσδιορίσει εάν οι σαρώσεις δείχνουν ενδείξεις πνευμονίας, COVID-19, άλλων πνευμονικών παθήσεων ή εάν οι πνεύμονες είναι φυσιολογικοί. Με υψηλό ποσοστό «ανάκλησης» 96,51%, αυτό ουσιαστικά σημαίνει ότι παρέχει πολύ λίγα ψευδώς αρνητικά αποτελέσματα– κάτι που είναι σημαντικό για τη θεραπεία κρίσιμων πνευμονικών καταστάσεων.
Χρησιμοποιώντας βίντεο υπερήχων από υπάρχοντα σύνολα δεδομένων, το μοντέλο ξεπέρασε τα υπάρχοντα διαγνωστικά εργαλεία τεχνητής νοημοσύνης, τα οποία επί του παρόντος δείχνουν περίπου 90-92% ακρίβεια.
«Η επεξήγηση που παρέχει το μοντέλο μας στοχεύει να ενισχύσει την αξιοπιστία αυτής της προσέγγισης», δήλωσε η Σαφιαμπέιντι. «Το σύστημα δείχνει στους γιατρούς γιατί πήρε ορισμένες αποφάσεις χρησιμοποιώντας οπτικές εικόνες όπως χάρτες θερμότητας. Αυτή η τεχνική ερμηνείας θα βοηθήσει τους ακτινολόγους στον εντοπισμό της περιοχής εστίασης και θα βελτιώσει ουσιαστικά την κλινική διαφάνεια» σημείωσε.
Ο ερευνήτρια πρόσθεσε ότι εφόσον το μοντέλο εκπαιδεύεται στα σωστά δεδομένα, έχει τη δυνατότητα να προωθήσει τις διαγνωστικές του ικανότητες πνευμονικής νόσου, εντοπίζοντας σημάδια φυματίωσης, άσθματος, καρκίνου, χρόνιας πνευμονοπάθειας και πνευμονικής ίνωσης.
Η έρευνα δημοσιεύθηκε στο περιοδικό «Frontiers in Computer Science».
ΠΗΓΗ: New Atlas
