هوش مصنوعی در تشخیص بیماری از تصاویر رادیولوژی، ام‌آر‌آی و سی‌تی اسکن توانمندسازی می‌کند

تصویربرداری پزشکی نقش محوری در تشخیص دارد. تصاویر رادیولوژی، سی‌تی و ام‌آر‌آی حجم وسیعی از داده‌های بصری درباره وضعیت داخلی بدن تولید می‌کنند. 

برای مثال، سالانه بیش از ۳.۵ میلیارد آزمایش رادیولوژی در سراسر جهان انجام می‌شود و بیمارستان‌ها حجم عظیمی از داده‌های تصویری را تولید می‌کنند. با این حال، بسیاری از این تصاویر بدون تحلیل باقی می‌مانند – برآوردها نشان می‌دهد حدود ۹۷٪ داده‌های رادیولوژی استفاده نشده باقی می‌ماند.

این عدم تطابق ناشی از حجم بالای کار رادیولوژیست‌ها است. هوش مصنوعی، به‌ویژه یادگیری عمیق، می‌تواند با «خواندن» خودکار تصاویر کمک کند. شبکه‌های عصبی کانولوشنی که روی پایگاه‌های داده بزرگ تصاویر آموزش دیده‌اند، الگوهای بیماری (مانند تومورها، شکستگی‌ها یا عفونت‌ها) را که ممکن است ظریف یا دشوار برای تشخیص باشند، شناسایی می‌کنند. در عمل، هوش مصنوعی می‌تواند مناطق مشکوک را برجسته کند، ناهنجاری‌ها را کمی‌سازی کند و حتی بیماری را پیش‌بینی نماید.

امروزه، نهادهای نظارتی صدها ابزار هوش مصنوعی برای تصویربرداری را تأیید کرده‌اند، به طوری که سازمان FDA تا سال ۲۰۲۵ بیش از ۸۰۰ الگوریتم رادیولوژی را فهرست کرده است. این نشان‌دهنده تغییر بزرگی است: هوش مصنوعی در حال ادغام در رادیولوژی، سی‌تی و ام‌آر‌آی است تا از پزشکان حمایت کند، نه جایگزینی آن‌ها.

پیشرفت‌های هوش مصنوعی در تصویربرداری رادیولوژی

رادیولوژی رایج‌ترین تصاویر تشخیصی است – سریع، ارزان و در دسترس گسترده. این تصاویر برای تشخیص بیماری‌های قفسه سینه (ذات‌الریه، سل، کووید-۱۹)، شکستگی‌های استخوان، مشکلات دندانی و غیره استفاده می‌شوند.

با این حال، خواندن دقیق رادیولوژی نیازمند تجربه است و در بسیاری از مناطق رادیولوژیست کافی وجود ندارد. هوش مصنوعی می‌تواند بار کاری را کاهش دهد.

برای مثال، مدل‌های یادگیری عمیق مانند CheXNet معروف، روی صدها هزار رادیولوژی قفسه سینه آموزش دیده‌اند. CheXNet (یک شبکه عصبی کانولوشنی ۱۲۱ لایه) ذات‌الریه را در تصاویر رادیولوژی قفسه سینه با دقتی بالاتر از پزشکان فعال تشخیص می‌دهد. در ارتوپدی، تحلیل رادیولوژی مبتنی بر هوش مصنوعی می‌تواند خطوط شکستگی ظریف را که ممکن است در کلینیک‌های شلوغ نادیده گرفته شوند، به‌طور خودکار شناسایی کند.

• وظایف کلیدی هوش مصنوعی در رادیولوژی: تشخیص بیماری‌های ریوی (ذات‌الریه، سل، سرطان)، پنوموتوراکس و مایعات؛ شناسایی شکستگی‌ها یا دررفتگی‌های استخوان؛ غربالگری کووید-۱۹ یا سایر عفونت‌ها. ابزارهای هوش مصنوعی می‌توانند این یافته‌ها را فوراً علامت‌گذاری کنند و به اولویت‌بندی موارد اضطراری کمک کنند.
• نتایج بالینی: در برخی مطالعات، هوش مصنوعی عملکرد رادیولوژیست‌ها را هم‌سطح کرده است. برای مثال، CheXNet دقت متوسط پزشکان را در موارد ذات‌الریه پشت سر گذاشت.
  با این حال، آزمایش‌ها در بیمارستان‌های واقعی محدودیت‌هایی را نشان می‌دهند: یک مطالعه بزرگ نشان داد رادیولوژیست‌ها هنوز در تشخیص یافته‌های ریوی در رادیولوژی قفسه سینه دقت بالاتری نسبت به هوش مصنوعی فعلی دارند. ابزارهای هوش مصنوعی حساسیت بالایی (۷۲–۹۵٪ برای یافته‌های مختلف) داشتند اما هشدارهای کاذب بیشتری نسبت به پزشکان ایجاد کردند.

خلاصه اینکه، هوش مصنوعی می‌تواند به‌طور قابل اعتماد رادیولوژی‌ها را پیش‌غربالگری کند و نگرانی‌ها را برجسته نماید، اما تشخیص نهایی همچنان به قضاوت انسانی وابسته است. همانطور که یک خلاصه خبری رادیولوژی هشدار می‌دهد، هوش مصنوعی هنوز یک تشخیص‌دهنده کاملاً خودکار برای رادیولوژی نیست.

نوآوری‌های هوش مصنوعی در سی‌تی اسکن

سی‌تی (توموگرافی کامپیوتری) تصاویر مقطعی دقیق از بدن تولید می‌کند و برای بسیاری از تشخیص‌ها (سرطان، سکته، تروما و غیره) ضروری است. هوش مصنوعی در سی‌تی اسکن‌ها نویدبخش بوده است:

• سرطان ریه: مدل‌های جدید هوش مصنوعی می‌توانند تومورهای ریه را در سی‌تی تقریباً به اندازه رادیولوژیست‌های خبره تشخیص و بخش‌بندی کنند. یک مطالعه در سال ۲۰۲۵ از شبکه عصبی سه‌بعدی U-Net استفاده کرد که روی بیش از ۱۵۰۰ سی‌تی اسکن آموزش دیده بود تا تومورهای ریه را شناسایی کند.
  این مدل به حساسیت ۹۲٪ و ویژگی ۸۲٪ در تشخیص تومور دست یافت و دقت بخش‌بندی آن تقریباً با پزشکان برابر بود (امتیاز Dice حدود ۰.۷۷ در مقابل ۰.۸۰). هوش مصنوعی روند کار را سرعت بخشید: مدل تومورها را بسیار سریع‌تر از پزشکان بخش‌بندی کرد.
• خونریزی مغزی: در پزشکی اورژانس، هوش مصنوعی به مراقبت سریع سکته کمک می‌کند. برای مثال، الگوریتم تجاری AIDOC خونریزی داخل جمجمه را در سی‌تی سر علامت‌گذاری می‌کند. مطالعات حساسیت حدود ۸۴–۹۹٪ و ویژگی ۹۳–۹۹٪ برای تشخیص خونریزی مغزی را گزارش کرده‌اند.
  این می‌تواند پزشکان را در عرض چند ثانیه از خونریزی‌های بحرانی آگاه سازد.
• کاربردهای دیگر سی‌تی: هوش مصنوعی همچنین در سی‌تی قفسه سینه برای شناسایی الگوهای ذات‌الریه کووید-۱۹، در آنژیوگرافی سی‌تی برای امتیازدهی کلسیم و در سی‌تی شکم برای تشخیص ضایعات کبد یا سنگ کلیه به کار می‌رود.
  در مثال سرطان ریه، سی‌تی همراه با هوش مصنوعی می‌تواند برنامه‌ریزی درمان و پیگیری را با اندازه‌گیری دقیق حجم تومور بهبود بخشد.

مزایا در سی‌تی: هوش مصنوعی کارهای خسته‌کننده (مانند اسکن حجم‌های سه‌بعدی برای ندول‌ها) را خودکار می‌کند، ثبات را افزایش می‌دهد و از غربالگری پشتیبانی می‌کند. در تروما، می‌تواند شکستگی‌ها یا آسیب‌های اندام را برجسته کند.

اکثر ابزارهای هوش مصنوعی اکنون برای کمک به خواندن سی‌تی قفسه سینه و سر تأیید شده‌اند. برای مثال، سازمان‌هایی مانند CMS حتی شروع به بازپرداخت برخی تحلیل‌های هوش مصنوعی (مانند امتیازدهی پلاک عروقی در سی‌تی ریه معمولی) کرده‌اند.

پیشرفت‌های هوش مصنوعی در تصویربرداری ام‌آر‌آی

ام‌آر‌آی تصاویر با کنتراست بالا از بافت‌های نرم (مغز، ستون فقرات، مفاصل، اندام‌ها) ارائه می‌دهد. هوش مصنوعی ام‌آر‌آی را سریع‌تر و هوشمندتر می‌کند:

• اسکن‌های سریع‌تر: به طور سنتی، اسکن‌های با کیفیت بالا ام‌آر‌آی زمان‌بر هستند که منجر به انتظار طولانی و ناراحتی بیمار می‌شود. الگوریتم‌های بازسازی مبتنی بر هوش مصنوعی (بازسازی یادگیری عمیق، DLR) زمان اسکن را با پیش‌بینی داده‌های گمشده به طور چشمگیری کاهش می‌دهند.
  متخصصان می‌گویند DLR می‌تواند اسکن‌های ام‌آر‌آی را «فوق‌العاده سریع» کند و این فناوری ممکن است در همه دستگاه‌ها به صورت روتین استفاده شود. برای مثال، پژوهشگران بریتانیایی و شرکت GE Healthcare از هوش مصنوعی استفاده کردند تا دستگاه ام‌آر‌آی با میدان پایین (ارزان‌تر) تصاویری مشابه اسکن‌های میدان بالا تولید کند. این می‌تواند دسترسی به ام‌آر‌آی را افزایش داده و صف بیماران را کاهش دهد.
• تصاویر واضح‌تر: هوش مصنوعی همچنین کیفیت تصویر را بهبود می‌بخشد. با یادگیری تفاوت بین اسکن‌های پر نویز و واضح، DLR تصاویر را به صورت بلادرنگ نویززدایی می‌کند.
  این بدان معناست که تصاویر ام‌آر‌آی واضح‌تر هستند و حتی اگر بیماران حرکت کنند، اثرات حرکتی کمتری دارند. برای کودکان بی‌قرار یا بیماران تروما، اسکن‌های سریع‌تر هوش مصنوعی نیاز به بیهوشی را کاهش می‌دهد.
• تشخیص بیماری: در تشخیص بالینی، هوش مصنوعی در تحلیل ام‌آر‌آی عملکرد برجسته‌ای دارد. برای مثال، در تصویربرداری مغز، مدل‌های مبتنی بر هوش مصنوعی تومورها را به دقت بخش‌بندی و طبقه‌بندی می‌کنند.
  یادگیری عمیق می‌تواند مرزهای تومور را در ام‌آر‌آی سه‌بعدی علامت‌گذاری کند، اندازه آن‌ها را کمی‌سازی کند و حتی ژنتیک یا درجه تومور را تنها از روی تصویر پیش‌بینی نماید. در نورولوژی، هوش مصنوعی سکته‌ها، ضایعات مولتیپل اسکلروزیس یا ناهنجاری‌ها را سریع پیدا می‌کند. ام‌آر‌آی عضلانی-اسکلتی (مفاصل، ستون فقرات) نیز بهره‌مند است: هوش مصنوعی پارگی رباط‌ها یا مشکلات دیسک ستون فقرات را سریع‌تر از روش‌های دستی شناسایی می‌کند.

در مجموع، هوش مصنوعی ام‌آر‌آی را با سرعت بخشیدن به اسکن‌ها و غنی‌تر کردن داده‌ها متحول می‌کند.

با ادغام اسکن‌های بیمار و داده‌های برچسب‌گذاری شده، هوش مصنوعی اندازه‌گیری‌های سه‌بعدی را ممکن می‌سازد که از برنامه‌ریزی درمان شخصی‌سازی شده پشتیبانی می‌کند. بیمارستان‌هایی که با هوش مصنوعی در ام‌آر‌آی آزمایش می‌کنند، گزارش داده‌اند که روند کاری روان‌تر و تفسیرهای سازگارتر شده است.

مزایای هوش مصنوعی در تصویربرداری پزشکی

هوش مصنوعی چندین مزیت در رادیولوژی، سی‌تی و ام‌آر‌آی به همراه دارد:

• سرعت و کارایی: الگوریتم‌های هوش مصنوعی تصاویر را در عرض چند ثانیه تحلیل می‌کنند. آن‌ها یافته‌های اضطراری (مانند کدورت‌های ریوی، سکته‌ها، شکستگی‌ها) را علامت‌گذاری می‌کنند تا پزشکان بتوانند مراقبت را اولویت‌بندی کنند.
  در مطالعه تومور ریه با سی‌تی، هوش مصنوعی تومورها را بسیار سریع‌تر از ردیابی دستی بخش‌بندی کرد. تصویربرداری سریع‌تر (به‌ویژه ام‌آر‌آی) به معنای پذیرش بیشتر بیماران و کاهش زمان انتظار است.
• دقت و ثبات: هوش مصنوعی آموزش‌دیده می‌تواند در وظایف خاص دقتی برابر یا بالاتر از انسان داشته باشد. مدل‌هایی مانند CheXNet (تشخیص ذات‌الریه) حساسیت بالاتری نسبت به متوسط رادیولوژیست‌ها نشان داده‌اند.
  هوش مصنوعی همچنین تغییرات درون ناظر را حذف می‌کند: هر بار همان یافته را به طور مداوم علامت‌گذاری می‌کند. این دقت کمی (مثلاً حجم دقیق تومور) به پایش کمک می‌کند.
• گسترش تخصص: در مناطقی که رادیولوژیست کم است، هوش مصنوعی به عنوان دستیار خبره عمل می‌کند. هوش مصنوعی رادیولوژی قفسه سینه می‌تواند سل یا ذات‌الریه مشکوک را در کلینیک‌های دورافتاده علامت‌گذاری کند و دسترسی به مراقبت تشخیصی را افزایش دهد.
  تیم CheXNet دانشگاه استنفورد اشاره می‌کند که اتوماسیون در سطح خبره می‌تواند بینش‌های تصویربرداری را به مناطق محروم برساند.
• بینش‌های کمی: هوش مصنوعی می‌تواند الگوهای پنهان را استخراج کند. برای مثال، در ام‌آر‌آی، برخی مدل‌های هوش مصنوعی جهش‌های ژنتیکی تومورها یا نتایج بیماران را از ویژگی‌های تصویری پیش‌بینی می‌کنند.
  ترکیب تحلیل تصویر با داده‌های بیمار ممکن است به پیش‌بینی زودهنگام ریسک بیماری منجر شود.

این مزایا باعث افزایش پذیرش شده‌اند: هزاران بیمارستان اکنون ابزارهای هوش مصنوعی را در پلتفرم‌های تصویربرداری خود آزمایش می‌کنند.

چالش‌ها و ملاحظات

با وجود نویدبخش بودن، هوش مصنوعی در تصویربرداری محدودیت‌هایی دارد:

• تغییرپذیری عملکرد: مدل‌های هوش مصنوعی ممکن است در همه محیط‌ها به یک شکل عمل نکنند. مطالعات نشان داده‌اند برخی ابزارها در یک بیمارستان خوب عمل می‌کنند اما در جای دیگر ضعیف‌تر هستند.
  برای مثال، یک مطالعه نشان داد که برخی رادیولوژیست‌ها با کمک هوش مصنوعی بهتر شدند اما برخی دیگر هنگام استفاده از هوش مصنوعی خطاهای بیشتری داشتند. حساسیت هوش مصنوعی ممکن است بالا باشد اما هشدارهای کاذب می‌تواند مشکل‌ساز باشد. بنابراین پزشکان باید پیشنهادهای هوش مصنوعی را بررسی کنند.
• نیاز به تخصص: رادیولوژیست‌ها همچنان ضروری هستند. راهنمایی‌های فعلی هوش مصنوعی را به عنوان دستیار تأکید می‌کنند، نه جایگزین.
  نظارت انسانی تضمین می‌کند که ظرافت‌ها و زمینه بالینی در نظر گرفته شود. ادغام نیازمند آموزش رادیولوژیست‌ها برای اعتماد و نقد یافته‌های هوش مصنوعی است.
• داده‌ها و سوگیری: هوش مصنوعی به اندازه داده‌های آموزشی خود خوب است. مجموعه داده‌های تصویری باید بزرگ و متنوع باشند.
  کیفیت پایین داده‌ها، عدم تعادل (مثلاً نمایندگی بیش از حد برخی جمعیت‌ها) یا آرتیفکت‌ها می‌توانند عملکرد هوش مصنوعی را تحت تأثیر قرار دهند. تحقیقات مداوم برای افزایش پایداری و عدالت هوش مصنوعی لازم است.
• مقررات و هزینه‌ها: اگرچه بسیاری از ابزارهای هوش مصنوعی تأیید شده‌اند (مجوز FDA)، پیاده‌سازی آن‌ها می‌تواند پرهزینه باشد و نیازمند تغییر در روند کاری است.
  مدل‌های بازپرداخت تازه در حال شکل‌گیری هستند (مثلاً CMS برخی تحلیل‌های هوش مصنوعی سی‌تی را پوشش می‌دهد). بیمارستان‌ها باید هزینه‌های نرم‌افزار، سخت‌افزار و آموزش را در نظر بگیرند.
• حریم خصوصی و امنیت: استفاده از هوش مصنوعی شامل داده‌های بیماران است. تدابیر سختگیرانه (رمزنگاری، حذف هویت) برای حفاظت از حریم خصوصی حیاتی است.
  امنیت سایبری نیز هنگام اتصال سیستم‌های هوش مصنوعی به شبکه‌ها اهمیت دارد.

با وجود این چالش‌ها، کارشناسان بر ادغام هدفمند تأکید دارند. همانطور که یک گزارش هاروارد اشاره می‌کند، طراحی دقیق روندهای کاری همراه با هوش مصنوعی می‌تواند عملکرد انسانی را بهبود بخشد.

در عمل، ترکیب سرعت هوش مصنوعی با قضاوت پزشکان بهترین نتایج را به همراه دارد.

چشم‌انداز

هوش مصنوعی در تصویربرداری پزشکی به سرعت در حال پیشرفت است. شرکت‌ها و گروه‌های تحقیقاتی پیشرو به بهبود الگوریتم‌ها ادامه می‌دهند.

برای مثال، «مدل‌های پایه» (شبکه‌های هوش مصنوعی بسیار بزرگ آموزش‌دیده روی داده‌های متنوع پزشکی) ممکن است به زودی قابلیت‌های تشخیصی گسترده‌تری ارائه دهند. انتظار می‌رود وظایف بیشتری (مانند بخش‌بندی کامل اندام، غربالگری چند بیماری) خودکار شوند.

در سطح بین‌المللی، پروژه‌های مشترک به دنبال بهره‌گیری از هوش مصنوعی برای سلامت عمومی هستند (مثلاً غربالگری سل در مناطق کم‌منبع). خدمات بهداشتی ملی (مانند NHS بریتانیا) در حال سرمایه‌گذاری روی دستگاه‌های آماده هوش مصنوعی برای کاهش هزینه‌ها هستند.

با گذشت زمان، تصویربرداری همراه با هوش مصنوعی می‌تواند به استاندارد تبدیل شود: غربالگری سریع برای اورژانس‌ها، غربالگری مرتب‌شده توسط هوش مصنوعی برای سرطان ریه و اسکن‌های ام‌آر‌آی در عرض چند ثانیه.

>>> برای اطلاعات بیشتر کلیک کنید: هوش مصنوعی سرطان را در مراحل اولیه از تصاویر تشخیص می‌دهد

در خلاصه، هوش مصنوعی با افزایش دقت، سرعت و دسترسی در تشخیص بیماری از طریق رادیولوژی، سی‌تی و ام‌آر‌آی نقش حمایتی دارد.

در حالی که رادیولوژیست‌ها هنوز تشخیص نهایی را انجام می‌دهند، ابزارهای هوش مصنوعی به آن‌ها کمک می‌کنند تا بیشتر و سریع‌تر ببینند. با پیشرفت فناوری، انتظار می‌رود هوش مصنوعی به شریک جدایی‌ناپذیر تصویربرداری تبدیل شود و مراقبت از بیماران را در سراسر جهان بهبود بخشد.