Η τεχνητή νοημοσύνη μπορεί να μειώσει τον χρόνο που απαιτείται για την επεξεργασία μη φυσιολογικών ακτινογραφιών θώρακα, λένε οι επιστήμονες

Ερευνητές από το Πανεπιστήμιο του Warwick στο Ηνωμένο Βασίλειο ισχυρίζονται ότι έχουν αναπτύξει ένα νέο σύστημα τεχνητής νοημοσύνης (AI) που μπορεί να μειώσει τον χρόνο που απαιτείται για την επεξεργασία μη φυσιολογικών ακτινογραφιών θώρακα από 11 ημέρες σε λιγότερο από τρεις ημέρες.

ακτινογραφία, ακτινογραφία, ai, τεχνητή νοημοσύνη, ai xray, ακτινογραφία θώρακος, ai ακτινογραφία θώρακος,Οι επιστήμονες ανέπτυξαν ένα νέο σύστημα τεχνητής νοημοσύνης (AI) που μπορεί να μειώσει τον χρόνο που απαιτείται για την επεξεργασία μη φυσιολογικών ακτινογραφιών θώρακα. (Αναπαραστατική εικόνα, Πηγή εικόνας: Pixabay/rawpixel)

Οι επιστήμονες λένε ότι έχουν αναπτύξει ένα νέο σύστημα τεχνητής νοημοσύνης (AI) που μπορεί να μειώσει τον χρόνο που απαιτείται για την επεξεργασία των ανώμαλων ακτινογραφιών θώρακα από 11 ημέρες σε λιγότερο από τρεις ημέρες.

Σύμφωνα με τη μελέτη που δημοσιεύθηκε στο περιοδικό Radiology, οι ακτινογραφίες θώρακος πραγματοποιούνται τακτικά για τη διάγνωση και την παρακολούθηση ενός ευρέος φάσματος καταστάσεων που επηρεάζουν τους πνεύμονες, την καρδιά, τα οστά και τους μαλακούς ιστούς.

Το σύστημα που αναπτύχθηκε από ερευνητές στο Πανεπιστήμιο του Warwick στο Ηνωμένο Βασίλειο μπορεί να μειώσει δραματικά τον χρόνο που απαιτείται για να διασφαλιστεί ότι οι ανώμαλες ακτινογραφίες θώρακος με κρίσιμα ευρήματα θα λάβουν νωρίτερα τη γνώμη του ειδικού ακτινολόγου.



Οι ερευνητές έβγαλαν ένα σύνολο δεδομένων από μισό εκατομμύριο ανώνυμες ακτινογραφίες θώρακος (ακτίνες Χ) και ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης για όραση στον υπολογιστή που μπορεί να αναγνωρίσει ακτινολογικές ανωμαλίες στις ακτίνες Χ σε πραγματικό χρόνο και να προτείνει πόσο γρήγορα αυτές οι εξετάσεις πρέπει να αναφέρονται από έναν ακτινολόγος.

Η ομάδα ανέπτυξε και επικύρωσε έναν αλγόριθμο Φυσικής Γλώσσας (NLP) που μπορεί να διαβάσει μια ακτινολογική έκθεση, να κατανοήσει τα ευρήματα που αναφέρονται από τον ακτινολόγο αναφοράς και να συμπεράνει αυτόματα το επίπεδο προτεραιότητας της εξέτασης.

Εφαρμόζοντας αυτόν τον αλγόριθμο στις ιστορικές εξετάσεις, η ομάδα δημιούργησε έναν μεγάλο όγκο εκπαιδευτικών εξετάσεων που επέτρεψαν στο σύστημα τεχνητής νοημοσύνης να καταλάβει ποια οπτικά μοτίβα στις ακτίνες Χ ήταν προβλέψιμα για το επείγον επίπεδο τους.

Η ομάδα, με επικεφαλής τον καθηγητή Giovanni Montana από το Πανεπιστήμιο του Warwick διαπίστωσε ότι οι φυσιολογικές ακτινογραφίες θώρακα ανιχνεύθηκαν με θετική προβλεπόμενη τιμή 73 % και αρνητική προβλεπόμενη τιμή 99 %.

Η ταχεία ανίχνευση σήμαινε ότι οι ανώμαλες ακτινογραφίες με κρίσιμα ευρήματα θα μπορούσαν να έχουν προτεραιότητα για να λάβουν τη γνώμη ενός ειδικού ακτινολόγου πολύ νωρίτερα από τη συνηθισμένη πρακτική, ανέφεραν οι ερευνητές.

Η αναφορά απεικόνισης με τεχνητή νοημοσύνη θα μπορούσε να είναι ένα πολύτιμο εργαλείο για τη βελτίωση της ροής εργασίας των τμημάτων και την αποδοτικότητα του εργατικού δυναμικού, δήλωσε ο Montana.

Οι αυξανόμενες κλινικές απαιτήσεις στα τμήματα ακτινολογίας παγκοσμίως έχουν αμφισβητήσει τα τρέχοντα μοντέλα παροχής υπηρεσιών, ιδιαίτερα σε δημόσια χρηματοδοτούμενα συστήματα υγειονομικής περίθαλψης, ανέφεραν οι ερευνητές.

Δεν είναι πλέον εφικτό για πολλά τμήματα Ακτινολογίας με το τρέχον επίπεδο στελέχωσής τους να αναφέρουν εγκαίρως όλες τις απλές ακτινογραφίες, οδηγώντας σε μεγάλες εκκρεμότητες μη αναφερόμενων μελετών, είπαν.

Η έρευνα δείχνει ότι εναλλακτικά μοντέλα φροντίδας, όπως αλγόριθμοι όρασης υπολογιστή, θα μπορούσαν να χρησιμοποιηθούν για να μειώσουν σημαντικά τις καθυστερήσεις στη διαδικασία αναγνώρισης και δράσης σε μη φυσιολογικές ακτίνες Χ-ιδίως για ακτινογραφίες θώρακα που αντιπροσωπεύουν το 40 % όλων των διαγνωστικών απεικονίσεων που εκτελούνται Παγκόσμιος.