Η τεχνητή νοημοσύνη ανιχνεύει το 97% των πνευμονοπαθειών

Μια σειρά από διαφορετικές παθήσεις των πνευμόνων είναι δυνατό να ανιχνεύσει ένα νέο σύστημα τεχνητής νοημοσύνης, έχοντας ακρίβεια που φτάνει το 96,57%, διακρίνοντας μάλιστα αν τα προβλήματα προέρχονται από πνευμονία, κορωνοϊό ή άλλες ασθένειες.

Οι ακτινολόγοι θα κατανούν καλύτερα τα αποτελέσματα

Συγκεκριμένα, ερευνητές του Πανεπιστημίου Charles Darwin της Αυστραλίας, το United International University και το Australian Catholic University, ανέπτυξαν ένα μοντέλο μέσω του οποίου μπορούν να αναγνωριστούν συγκεκριμένα μοτίβα διαφορετικών πνευμονικών παθήσεων, με μεγαλύτερη ακρίβεια σε σχέση με τα εργαλεία που υπήρχαν ως τώρα.

«Το μοντέλο χρησιμοποιεί επίσης τεχνικές τεχνητής νοημοσύνης για να δείξει στους ακτινολόγους γιατί πήρε ορισμένες αποφάσεις, διευκολύνοντάς τους έτσι να κατανοήσουν καλύτερα τα αποτελέσματα», αναφέρει η καθηγήτρια του CDU Νιούσα Σαφιαμπέιντι.

«Αυτό το μοντέλο βοηθά τους γιατρούς να διαγνώσουν ασθένειες των πνευμόνων γρήγορα και με ακρίβεια, υποστηρίζει τη λήψη αποφάσεων, εξοικονομεί χρόνο και χρησιμεύει ως πολύτιμο εργαλείο εκπαίδευσης», πρόσθεσε.

Η ερευνητική ομάδα συνδύασε δύο είδη μοντέλων τεχνητής νοημοσύνης, αποδεικνύοντας πόσο προσαρμόσιμη είναι η τεχνολογία για διαγνωστικές ανάγκες. Το πρώτο μοντέλο είναι το συνελικτικό νευρωνικό δίκτυο (CNN) και αναζητά μοτίβα σε εικόνες ή καρέ. Εστιάζει σε πιο μικροσκοπικές αλλαγές που βασίζονται σε pixel που το ανθρώπινο μάτι δεν μπορεί να εντοπίσει. Ακολουθεί το μοντέλο Μακράς Βραχύχρονης Μνήμης (LSTM), το οποίο χρησιμοποιεί πληροφορίες και τις τοποθετεί σε ένα ευρύτερο πλαίσιο, αναλύοντας τα δεδομένα του συνελικτικού νευρωνικού δικτύου με την πάροδο του χρόνου.

Το ποσοστό ακρίβειας του νέου μοντέλου

Το νέο υβριδικό μοντέλο ονομάζεται TD-CNNLSTM-LungNet και μπορεί να εντοπίσει με εξαιρετική ακρίβεια τις ανωμαλίες, αλλά και να εξηγήσει ποιο είναι το πρόβλημα. Από εκεί και πέρα, είναι ικανό να προσδιορίσει αν οι σαρώσεις δείχνουν πνευμονία, κορωνοϊό ή άλλες παθήσεις, με το ποσοστό «ανάκλησης» να είναι στο 96,51%, που σημαίνει ότι υπάρχει μικρή πιθανότητα να υπάρξουν «ψευδή» αρνητικά αποτελέσματα, ενώ μέχρι πρότινος αυτό το ποσοστό δεν ξεπερνούσε το 92%.

«Η επεξήγηση που παρέχει το μοντέλο μας στοχεύει να ενισχύσει την αξιοπιστία αυτής της προσέγγισης», δήλωσε η Σαφιαμπέιντι. «Το σύστημα δείχνει στους γιατρούς γιατί πήρε ορισμένες αποφάσεις χρησιμοποιώντας οπτικές εικόνες όπως χάρτες θερμότητας. Αυτή η τεχνική ερμηνείας θα βοηθήσει τους ακτινολόγους στον εντοπισμό της περιοχής εστίασης και θα βελτιώσει ουσιαστικά την κλινική διαφάνεια», συμπλήρωσε.

Ο ερευνήτρια πρόσθεσε ότι εφόσον το μοντέλο εκπαιδεύεται στα σωστά δεδομένα, έχει τη δυνατότητα να προωθήσει τις διαγνωστικές του ικανότητες πνευμονικής νόσου, εντοπίζοντας σημάδια φυματίωσης, άσθματος, καρκίνου, χρόνιας πνευμονοπάθειας και πνευμονικής ίνωσης.

Η έρευνα δημοσιεύθηκε στο περιοδικό «Frontiers in Computer Science».

Διαβάστε ακόμη

Χιονοστιβάδα πολιτικών εξελίξεων μετά τις οργισμένες διαδηλώσεις: Στη Βουλή η τραγωδία των Τεμπών - Αναμονή για το πόρισμα του ΕΜΠ

Θλίψη για τον θάνατο του Ιάσονα Τριανταφυλλίδη: Έγραψε ιστορία με την κριτική του σε εκπομπές της ελληνικής τηλεόρασης

«Καιγόταν μόνο του» - Σοκάρει η απάντηση της μητέρας για τα σημάδια από τσιγάρο στο κορμί του 3χρονου παιδιού

Google Maps: Ξεκινά η τρισδιάστατη χαρτογράφηση περιοχών της Ελλάδας - Στους δρόμους τα ειδικά αυτοκίνητα