پژوهشگران دانشگاه علوم پزشکی تهران، سیستم هوش مصنوعی جدیدی به نام VesselVision-Net توسعه دادهاند که میتواند به جراحان در ایجاد نقشههای دقیقتر از رگهای خونی داخل کبد، پیش از انجام عملهای جراحی کمک کند. این دستاورد علمی که در نشریات معتبر بینالمللی گزارش شده است، نویدبخش تحولی در برنامهریزی جراحیهای کبدی است.
به گزارش پایگاه خبری حکمرانی هوشمند، کبد حاوی شبکهای پیچیده از رگها است که به طور مکرر به شاخههای کوچکتر و کوچکتر منشعب میشوند. جراحان قبل از برداشتن تومور کبد باید دقیقاً بدانند که تومور در کجای این شبکه عروقی قرار دارد، زیرا موقعیت رگها میتواند بر امکان برداشت کامل تومور، میزان بافت مورد نیاز برای برداشتن و نحوه انجام عمل تأثیر بگذارد.
سیتیاسکن با کنتراست بالا به طور گسترده برای تجسم این رگها استفاده میشود، اما تبدیل این اسکنها به یک نقشه سهبعدی دقیق از شبکه عروقی همواره دشوار بوده است. رگهای کوچک ممکن است کنتراست ضعیفی نسبت به بافت اطراف داشته باشند، در حالی که نویز و انشعاب نامنظم سیستم عروقی میتواند تشخیص آنها را دشوارتر کند. نقشهبرداری دستی نیز زمانبر و مستعد خطا است.
به گفته محققان، سیستمهای یادگیری عمیق پیشین در بخشبندی خودکار رگهای کبد نویدبخش بودهاند، اما بسیاری از رویکردهای موجود در شناسایی تنههای رگ بزرگ نسبت به شاخههای نازک در لبههای بیرونی کبد بهتر عمل میکنند. این یک محدودیت مهم است، زیرا از دست دادن یک شاخه کوچک میتواند منجر به تصویر ناقص از آناتومی عروقی شود.
به همین دلیل، تیم پژوهشی دانشگاه علوم پزشکی تهران، VesselVision-Net را حول یک هدف خاص طراحی کرد: بهبود تشخیص و تداوم رگهای محیطی کوچک و کمکنتراست در عین حفظ نمایش دقیق شبکه عروقی بزرگتر.
سیستم جدید چندین تکنیک هوش مصنوعی را ترکیب میکند تا بتواند هم تصویر آناتومیک وسیعتر و هم جزئیات دقیق در سیتیاسکن را بررسی کند:
ماژول فیوژن متسع (DFM): این جزء، اطلاعات تصویر را در مقیاسهای مکانی متعدد بررسی میکند و از انواع مختلف کانولوشن برای ثبت جزئیات دقیق رگها و همچنین بافت آناتومیک وسیعتر بدون کاهش شدید وضوح تصویر استفاده میکند.
ماژول توجه جفتشده (PAM): این جزء به سیستم کمک میکند تا بر روی نواحی و ویژگیهای تصویر مرتبط با رگهای خونی تمرکز کند و در عین حال اطلاعات پسزمینهای که میتواند باعث خطا شود را حذف کند.
محققان همچنین یک تابع ترکیبی از دست دادن آموزش ایجاد کردند که به رگهای کوچک و پراکنده اهمیت بیشتری میدهد تا از نادیده گرفتن رگهای ریز توسط هوش مصنوعی جلوگیری شود.
محققان VesselVision-Net را با استفاده از دو مجموعه داده ارزیابی کردند: مجموعه داده عمومی 3D-IRCADb-۰۱ شامل اسکنهای سیتی از ۲۰ بیمار، و مجموعه داده بالینی شامل ۱۰ اسکن سیتی با کنتراست از مجتمع بیمارستانی امام خمینی که با دقت توسط رادیولوژیستها و جراحان کبد حاشیهنویسی و اعتبارسنجی شدند.
نتایج این ارزیابی نشان داد که VesselVision-Net از سیستمهای مقایسهای بهتر عمل کرده است. این مدل در مجموعه داده عمومی امتیاز Dice ۰.۷۱۲۱ را به دست آورد که بالاترین امتیاز در بین مدلهای مقایسهشده شامل ۳D U-Net، SegResNet، UNETR، Swin UNETR، UNETR++، VT-UNet، nnU-Net، tUbeNet و VS-Net بود.
در مجموعه داده بالینی، مدل به میانگین امتیاز Dice ۰.۷۰۸۶، حساسیت ۰.۷۲۳۲ و دقت ۰.۷۲۳۷ دست یافت که نشاندهنده عملکرد پایدار سیستم در شرایط واقعی بالینی است.
پژوهشگران صرفاً به اندازهگیریهای عددی اکتفا نکردند. یک جراح کبد و صفرا و دو رادیولوژیست، نقشههای رگ تولیدشده توسط هوش مصنوعی را بررسی کردند. از ۳۰ ارزیابی تخصصی، ۲۳ ارزیابی یا ۷۶/۶ درصد، قابلیت استفاده بالینی را «بالا» ارزیابی کردند. کارشناسان عواملی از جمله اتصال رگ، حفظ شاخههای دیستال و سرکوب نویز پسزمینه را مورد قضاوت قرار دادند و توافق بین متخصصان با مقدار کاپای فلیس ۰/۷۸ نسبتاً قوی بود.
با وجود نتایج امیدوارکننده، VesselVision-Net مشکل را به طور کامل حل نکرده است. این مدل به ویژه در رگهای بزرگتر نسل دوم و سوم عملکرد خوبی داشت، اما عملکرد آن با شاخههای نسل چهارم و به ویژه پنجم که کوچکتر، پیچخوردهتر و با کنتراست کمتر هستند، کمتر سازگار شد. در برخی موارد، سیستم شاخههای دیستال را به طور کامل از دست داد یا تنها بخشی از آنها را قطعهقطعه کرد.
پژوهشگران همچنین خاطرنشان کردند که مجموعه دادههای بالینی، بهبود عامل کنتراست کمتری نسبت به مجموعه دادههای عمومی داشت و باعث میشد رگهای کوچک سختتر دیده شوند. این موضوع، چالش مهمی را برای سیستمهای هوش مصنوعی که برای استفاده بالینی در دنیای واقعی در نظر گرفته شدهاند، برجسته میکند: عملکرد میتواند با تفاوت در پروتکلهای تصویربرداری و کیفیت تصویر تغییر کند.
یک تجزیه و تحلیل اضافی نشان داد که DFM توانایی مدل را در گرفتن شاخههای کوچک محیطی بهبود میبخشد، در حالی که PAM دقت و عملکرد منطقه مورد نظر را بهبود میبخشد. کاهش وزنی قدرت Dice نیز حساسیت مدل را به رگهای نازک و پراکنده افزایش داد. هنگامی که هر سه جزء با هم ترکیب شدند، سیستم به بهترین نتایج کلی خود دست یافت و نشان داد که اجزای مختلف به جای ارائه مزایای جداگانه، با هم کار میکنند.
یک نقشه سهبعدی کاملتر از رگهای خونی کبد میتواند به جراحان کمک کند تا آناتومی اطراف تومور را قبل از ورود به اتاق عمل بهتر درک کنند. پژوهشگران VesselVision-Net را به عنوان ابزاری بالقوه برای برنامهریزی قبل از عمل و پشتیبانی تصمیمگیری با کمک رایانه تصور میکنند که میتواند به پزشکان در برنامهریزی عملهای کبدی دقیقتر و شخصیسازیشدهتر کمک کند.
با این حال، این مطالعه نشان نمیدهد که استفاده از VesselVision-Net در واقع نتایج جراحی را بهبود میبخشد. نویسندگان بر نیاز به توسعه بیشتر و اعتبارسنجی چندمرکزی در مقیاس بزرگ، قبل از اینکه بتوان آن را به طور قابل اعتمادی برای استفاده بالینی گسترده آماده دانست، تأکید دارند. کارهای آینده باید تشخیص رگهای بسیار نازک و با کنتراست پایین را بهبود بخشند و تعیین کنند که سیستم در بیمارستانها، اسکنرها، پروتکلهای تصویربرداری و جمعیتهای مختلف بیمار چقدر مداوم عمل میکند.
انتهای پیام