به گزارش خبرگزاری اقتصاد ایران , دانشمندان دانشگاه کالیفرنیا سن‌دیه‌گو در گامی چشمگیر، سیستمی بر پایه هوش مصنوعی طراحی کرده‌اند که می‌تواند فرآیند پیچیده‌ی «بخش‌بندی تصاویر پزشکی» را تنها با ۵ درصد داده‌های آموزشی رایج انجام دهد؛ تحولی که نویدبخش دسترسی گسترده‌تر به فناوری‌های تشخیص پزشکی در سراسر جهان است.

بخش‌بندی تصویر یکی از مهم‌ترین مراحل در تحلیل اسکن‌های پزشکی مانند MRI و CT است؛ جایی که باید هر بخش از تصویر (مثلاً بافت سرطانی یا سالم) با دقت بالا شناسایی شود. این کار معمولاً به صدها یا هزاران تصویر حاشیه‌نویسی‌شده توسط پزشکان نیاز دارد؛ فرایندی زمان‌بر، پرهزینه و محدود به مراکز مجهز.

اما حالا تیم تحقیقاتی به سرپرستی پروفسور پنگتائو شیه و دانشجوی دکتری لی ژانگ موفق شده‌اند مدل یادگیری عمیقی را توسعه دهند که تنها با تعداد معدودی نمونه‌ حاشیه‌نویسی‌شده، آموزش می‌بیند و عملکردی قابل مقایسه با مدل‌های داده‌محور ارائه می‌دهد.

این فناوری حجم داده مورد نیاز را تا یک‌بیستم کاهش داده و در عین حال، دقت تشخیص را حفظ می‌کند. ژانگ می‌گوید:

«این مدل‌ها دیگر نیازی به بانک‌های عظیم تصویری ندارند. ما با داده‌های بسیار کم، به نتایج دقیق می‌رسیم و این یعنی در هر درمانگاه کوچک یا بیمارستان کم‌منبع، می‌توان از این تکنولوژی استفاده کرد.»

کاربرد این ابزار می‌تواند به‌ویژه برای کشورها و مناطقی با زیرساخت محدود بهداشت و درمان، یا بیماری‌هایی که داده‌های کمی از آن‌ها در دسترس است، تحولی بنیادین باشد.

تیم پژوهشی همچنین اعلام کرده که قصد دارد نسخه‌های آینده این فناوری را با مشارکت مستقیم متخصصان بالینی توسعه دهد تا دقت تشخیص و کارایی ابزار در شرایط واقعی بالینی افزایش یابد.

نکات کلیدی:

• نیاز به داده آموزشی تا ۹۵٪ کاهش یافته

• ایده‌آل برای مناطق محروم یا بیماری‌های نادر

• امکان توسعه ابزارهای تشخیصی سریع‌تر، ارزان‌تر و دقیق‌تر