به گزارش ایمنا، با توجه به همه‌گیری بیماری کووید -۱۹ داشتن ابزارهای دقیق و آنی برای تشخیص بیماری ضروری است. تصاویر سی‌تی‌اسکن به‌عنوان روش تشخیصی به تنهایی در تشخیص بیماری کووید -۱۹ عملکرد بالایی ندارد و بر اساس پروتکل‌های تشخیصی باید همراه با تست PCR باشد و نمی‌توان برای تشخیص بیماری کووید -۱۹ تنها از تصاویر سی تی اسکن استفاده کرد.
برای حل این مشکل می‌توان با استفاده از روش‌های یادگیری عمیق عملکرد تصاویر سی تی اسکن را ارتقا داد و با طراحی سیستمی مبتنی بر یادگیری عمیق به‌صورت کاملاً خودکار، تصاویر رادیولوژی بیماری کووید -۱۹ را از تصاویر دیگر پنومونی‌ها، با دقت بالایی تشخیص داد.
در این سیستم با ارائه یک الگوریتم، میزان درگیری ریه در بیماری‌های ریوی استخراج و همراه با نتیجه تعیین‌کننده تشخیص ابتلاء به کووید -۱۹ به‌عنوان خروجی سیستم به کاربر عرضه می‌شود. این سیستم از الگوریتم‌های متنوعی برای تشخیص بیماری کووید -۱۹ استفاده می‌کند و در نهایت کاربردی‌ترین الگوریتم در تشخیص موارد مثبت و غیر مثبت مبتلا به کووید -۱۹ انتخاب می‌شود.
پژوهشگران دانشگاه علوم پزشکی شهید بهشتی، با طراحی یک سیستم تشخیص کووید -۱۹ با استفاده از الگوریتم یادگیری عمیق توانستند سیستم تشخیص اتوماتیک با دقت ۹۹.۶ طراحی کنند. این سیستم دارای ویژگی‌هایی است که ضایعه درگیر ریه را استخراج و قطعه‌بندی کرده و سپس حجم ضایعه درگیر ریوی را در قالب اعداد به متخصص بالینی اعلام می‌کند.
بررسی‌های این مطالعه در خصوص این سیستم نشان داد که درجه صحت و حساسیت آن به ترتیب برابر با ۹۹.۹، ۹۸.۷ است. این سیستم قادر است خطای تشخیصی تصاویر سی‌تی‌اسکن در تشخیص بیماران کووید -۱۹ را کاهش دهد و همچنین بدون اتلاف وقت در روز تصاویر زیادی را تفسیر کرده و میزان درگیری ریوی را به متخصص رادیولوژی ارائه دهد.
پژوهشگران این مطالعه معتقدند که این سیستم‌ها در موارد بحرانی و همه‌گیری بیماری‌ها می‌توانند در کمترین زمان تصاویر مبتلایان را تفسیر و اطلاعات بیشتر در اختیار متخصص بالینی قرار دهند.
نتایج این پروژه تحقیقاتی با عنوان «سیستم تشخیص اتوماتیک بیماری کرونا براساس تصاویر CT-Scan با استفاده از یادگیری عمیق» در پایگاه نتایج پژوهش‌های سلامت کشور منتشر شده و فرخنده اسدی، مصطفی قادرزاده، داوود بشاش آلانق و حسن ابوالقاسمی از دانشگاه علوم پزشکی شهید بهشتی در انجام آن مشارکت داشتند.
منبع: ایسنا
نظر شما