اے آئی آلے دماغ اینورائیوسز کی تشخیص میں مدد کرسکتا ہے – نیوز – میڈیکل

اے آئی آلے دماغ اینورائیوسز کی تشخیص میں مدد کرسکتا ہے – نیوز – میڈیکل

دماغ اینیوریسس کی تشخیص کرتے وقت ڈاکٹروں کو جلد مصنوعی انٹیلی جنس کے آلے سے کچھ مدد مل سکتی ہے – دماغ میں خون کی برتنوں میں بلجز جو کھلی یا پھٹ ڈال سکتی ہے، ممکنہ طور پر اسٹروک، دماغ کے نقصان یا موت کی وجہ سے.

اسٹینفورڈ یونیورسٹی میں محققین کی طرف سے تیار کردہ AI آلے، اور جوا نیٹ ورک اوپن میں 7 جون شائع ہونے والی ایک کاغذ میں تفصیلی، ایک دماغ سکین کے علاقوں پر روشنی ڈالتا ہے جس میں ایک aneurysm ہونے کا امکان ہے.

اعداد و شمار کے اعداد و شمار کے اعداد و شمار اور شریک مصنف میں اسٹینفورڈ کے گریجویٹ طالب علم، الیسسن پارک نے کہا کہ “اس بارے میں بہت فکر مند ہے کہ کس طرح مشین سیکھنے اصل میں طبی میدان میں کام کرے گی.” “یہ تحقیق ایک مثال ہے کہ انسان تشخیصی عمل میں ملوث رہتے ہیں، مصنوعی انٹیلی جنس کے آلے کے ذریعہ.”

یہ آلے، جسے ہیڈکس نیٹ کہتے ہیں، کے ارد گرد تعمیر کیا جاتا ہے، انیسوسیس پر مشتمل 100 سکینوں میں چھ مزید آورسیجیسز کو تلاش کرنے کے برابر ایک سطح پر ایکریئریزس کو درست طریقے سے شناخت کرنے میں بہتر ڈاکٹروں کی صلاحیت. اس تشریحی کلینک کے درمیان اتفاق رائے بھی بہتر ہوگئی. جبکہ اس تجربات میں ہیڈ ایکس اینٹ کی کامیابی کا محققین، مشقوں کی ٹیم، جو مشین سیکھنے، ریڈیوولوجی اور نیوروسرجریج میں مہارت رکھتے ہیں – اس بات کا یقین ہے کہ حقیقی آلے کے عام ٹائمز کی جانچ پڑتال کرنے کے لئے مزید تحقیقات کی ضرورت ہوتی ہے. سکینر ہارڈ ویئر اور امیجنگ پروٹوکول مختلف اسپتالوں کے مراکز میں. محققین نے اس طرح کے مسائل کو حل کرنے کے لئے کثیر مرکز تعاون کے ذریعے منصوبہ بنایا ہے.

اضافی ماہرین

ایک اینیسیسیم کے نشان کے لئے دماغ کے سکینوں کو یکجا کرنا سینکڑوں تصاویر کی طرف سے سکرال کرنے کا مطلب ہے. اینورسیسیس مشکل سائز میں سائز اور سائز اور بیلون میں آتے ہیں – کچھ تصاویر جیسے تصویروں کی قسمت کے اندر اندر کسی بھی بلو سے زیادہ نہیں رجسٹر ہوتے ہیں.

ایک اینیسیسیم کے لئے تلاش ریڈیوالوجیوں کا سب سے زیادہ محنت اور اہم کاموں میں سے ایک ہے. پیچیدہ نیورووسکولر اناتومی اور ممکنہ مہلک ایوارڈیسم کے ممکنہ مہلک نتائج کی معقول چیلنجوں کو دیکھ کر، اس نے مجھ سے مجھے کمپیوٹر سائنس اور نیوروگرام کے نقطہ نظر میں پیش رفت کی درخواست دی. ”

یروشلیم یوم، ریڈیوولوجی کے شریک ایسوسی ایٹ اور کاغذ کے شریک سینئر مصنف

یوم نے خیال کیا کہ ہیلتھ کیئر بوٹکمپ کے لئے اے این اے اسٹینفورڈ کی مشین لرننگ گروپ کے ذریعہ چلتا ہے، جو اینڈریو نگ کی قیادت کی جاتی ہے، کمپیوٹر سائنس اور اخبار کے شریک سینئر مصنف کے ادونٹ پروفیسر. مرکزی چیلنج مصنوعی انٹیلی جنس کے آلے کو تشکیل دے رہا تھا جس میں 3D تصاویر کی ان بڑی اسٹیکوں کو درست طریقے سے عمل کرنا اور طبی تشخیصی عمل کی تکمیل کی جا سکتی تھی.

ان کی الگورتھم کو تربیت دینے کے لئے، یوم نے کمپیوٹر سائنس میں ایک گریجویٹ طالب علم پارک اور کرسٹوفر چوٹ کے ساتھ کام کیا، اور 611 کمپیوٹرائزڈ ٹومیگراف (CT) انیگگرام سر سکین پر کلائنٹ سے متعلق اہم اینیسیسیس کی وضاحت کی.

“ہم نے لیبل کیا، ہاتھ کی طرف سے، ہر ویکسیل – 3D پکسل کے برابر – اس کے ساتھ یا یہ ایک aneurysm کا حصہ تھا،” Chute، جو بھی کاغذ کے شریک لیڈر مصنف ہے. “ٹریننگ کے اعداد و شمار کی تعمیر ایک خوبصورت شدید کام تھی اور بہت سے اعداد و شمار تھے.”

تربیت کے بعد، الگورتھم ایک اسکین کے ہر voxel کے لئے فیصلہ کرتا ہے کہ آیا وہاں موجود aneurysm موجود ہے. HeadXNet کے آلے کا اختتام نتیجہ اسکین کے سب سے اوپر ایک نیم شفاف روشنی کے طور پر الگورتھم کا نتیجہ ہے. یہ الگورتھم کے فیصلے کی نمائندگی یہ ہے کہ کلینگروں کے لئے یہ بھی آسان ہے کہ HeadXNet کے ان پٹ کے بغیر اسکین نظر آئے.

کاغذ کے کمپیوٹر سائنس اور شریک لیڈر کے ایک گریجویٹ طالب علم پرویز رشپورکر نے کہا کہ “ہم دلچسپی رکھتے تھے کہ اے این اضافی اوقات کے ساتھ یہ اسکین کلینگروں کی کارکردگی کو بہتر بنائے گی.” “الگورتھم کے بجائے یہ کہنا ہے کہ ایک اسکین ایک اینیوریسم پر مشتمل تھا، ہم اساتذہ کے عین مطابق مقامات کلینگر کی توجہ پر لے آئے تھے.”

ہیڈیکس نیٹ کی مدد سے اور بغیر کسی بار کے ساتھ، آرتھریسم کے لئے 115 دماغ سکینوں کا ایک سیٹ کا اندازہ کرتے ہوئے آٹھکس کے ڈاکٹروں نے ہیڈکس نیٹ کی جانچ کی. آلے کے ساتھ، کلینگروں نے زیادہ انیوریسس کو درست طریقے سے شناخت کیا، اور اس وجہ سے “مس” کی شرح کو کم کر دیا، اور کلینک ایک دوسرے سے متفق ہونے کا امکان زیادہ تھے. HeadXNet پر اثر انداز نہیں کیا جاسکتا ہے کہ اس نے کتنے عرصے سے ایک تشخیص پر فیصلہ کرنے کا فیصلہ کیا ہے یا بغیر کسی ایسوسی ایشن کے بغیر اسکین کی شناخت کرنے کی صلاحیت کی ہے.

دیگر کاموں اور اداروں کو

HeadXNet کے دل میں مشین سیکھنے والے طریقوں کا امکان دماغ کے اندر اور باہر کی دیگر بیماریوں کی نشاندہی کرنے کے لئے ممکن ہوسکتا ہے. مثال کے طور پر، ہاںم تصور کرتا ہے کہ مستقبل کے ایک ورژن کو ان کی فطرت کے بعد اینوریسیز کی شناختی تیز رفتار پر توجہ مرکوز ہوسکتی ہے، فوری طور پر صورت حال میں قیمتی وقت کی بچت. لیکن ہسپتالوں میں ریڈیوولوجی میں روزمرہ کلینیکل کام کے بہاؤ کے ساتھ کسی مصنوعی انٹیلی جنس طبی آلات کو یکجا کرنے میں کافی رکاوٹ موجود ہے.

موجودہ اسکین ناظرین گہری سیکھنے کی مدد کے ساتھ کام کرنے کے لئے ڈیزائن نہیں کیا گیا ہے، لہذا محققین نے سکین ناظرین کے اندر ہی HeadNNet کو ضم کرنے کے لئے اپنی مرضی کے مطابق تعمیراتی اوزار بنائے ہیں. اسی طرح، حقیقی دنیا کے اعداد و شمار میں متغیرات – جیسا کہ اعداد و شمار کے خلاف الگوریتھم تجربہ کیا جاتا ہے اور تربیت یافتہ ہے – ماڈل کارکردگی کو کم کر سکتا ہے. اگر الگورتھم مختلف قسم کے سکینرز یا امیجنگ پروٹوکول کے اعداد و شمار پر عمل کرتے ہیں، یا ایک مریض کی آبادی جس کی اصل تربیت کا حصہ نہیں تھا، یہ ممکنہ طور پر کام نہیں کر سکتا.

“ان مسائل کی وجہ سے، مجھے لگتا ہے کہ تعینات تیز رفتار نہیں بلکہ خالص AI آٹومیشن کے ساتھ آئے گی، بلکہ اس کے بجائے اے اے اور ریڈیولوجیسٹ کے ساتھ تعاون”. “ہم اب بھی تکنیکی اور غیر تکنیکی کام کرنے کے لئے ہیں، لیکن ہم ایک کمیونٹی کے طور پر وہاں جائیں گے اور AI-radiologistist تعاون سب سے زیادہ وعدہ راستہ ہے.”