Yazılar

Yapay zeka teknolojileri retina hastalıklarını daha iyi anlamak için nasıl kullanılıyor?

Retina hastalıkları hem semptomları hem de şiddeti bakımından çeşitlilik gösterir. Tedavi edilmediği takdirde, bazı hastalıklar ciddi görme kaybına ve hatta körlüğe neden olabilir . Proaktif tedavi ve önlemenin önemi hayatidir; yine de herkes bu eşit fırsata sahip değil.

Özellikle üçüncü dünya ülkelerinde, özel tıbbi bakıma kamu erişiminin olmaması kritik bir sorundur. Ekipman orada olsa bile, test sonuçlarını yorumlamak, doğru teşhis ve prognozu almak için gereken uzmanlık olmayabilir.

Retina hastalıkları için bu akut bir problemdir. Doğru teşhis ve test sonuçlarının yorumlanması özellikle deneyimsiz doktorlar için özellikle zordur.

Diğerlerinin yanı sıra blockchain, yapay zeka (AI) ve Nesnelerin İnterneti (IoT) teknolojilerine odaklanan bir geliştirme ve danışmanlık şirketi olan PixelPlex, tıbbi tesislerle olan temasları aracılığıyla yardımcı olabileceğini fark etti. PixelPlex Danışmanlık Başkanı Alex Dolgov, “Otomatik tanılama yardımcıları için yapay zekayı gerçekten kullanabileceğimizi fark ettik” diye açıklıyor.

Sonuç , yapay zekalı bir retina analizörü olan AIRA’dır . Bir örüntü tanıma kullanım durumu olan AI, bariz çözümdü. Bir sinir ağı nihayetinde bir tıp uzmanından daha iyi teşhis koyamayacak olsa da, AI’nın yadsınamaz avantajı, büyük veri kümelerini analiz etmenin yanı sıra belirli sayılardaki tarama sonuçlarını değerlendirmede yatmaktadır. AIRA, bir doktorun daha ileri çalışmalar için daha doğru veriler elde etmesine yardımcı olabilir.

PixelPlex’e başlangıçta, eksüdalar, kanamalar ve dejeneratif retina değişiklikleri, damarlar ve optik sinir patolojileri gibi insan gözünün çeşitli semptomlarını ve anatomik yapılarını içeren, fundus kameralarından alınan görüntüleri içeren “geniş bir veri dizisi” verildi. Şirket, sinir ağı eğitiminde kullanılmak üzere daha sonraki araştırmalardan kendi veri setlerini ekledi.

“Oldukça zor olan kendi veri setimizi oluşturduk ve kalifiye tıp uzmanlarının yardımıyla, sadece bir fundus kamerasıyla çekilen fotoğraflara dayanarak AI’yı çeşitli hastalıkları ve diğer kusurları tespit etmek için eğiten UI veri setini oluşturduk. ”dedi Dolgov.

Model mimarisi, biyomedikal görüntü segmentasyonu için geliştirilmiş bir evrişimsel sinir ağı olan U-Net’in varyasyonlarına dayanıyordu. Bu varyasyonlar, anlamsal segmentasyon için hafif bir derin sinir ağı mimarisi olan LinkNet’i ve belirli organlarda kanser riskini değerlendirmek için diğer girişimlerde kullanılan Dilated U-Net’i içeriyordu .

Fundus kamerası tarafından çekilen fotoğraflar, PixelPlex tarafından oluşturulan yazılım tarafından gönderilir ve analiz edilir. Eğitimli sinir ağı, teşhisleri belirlemek için bilgileri tanımlayabilir ve ardından bu bilgileri tıbbi personele sağlayabilir.

Dolgov, “Bu görüntülerin kaynağı, analiz edilmesi, fotoğraflara dayalı tıbbi teşhisin sağlanması ve ardından bu veri setinin oluşturulması – en büyük zorluk buydu” dedi.

Şu anda çözüm yaklaşık %85 ​​doğrulukta çalışmaktadır. Ancak proje halen aktif olarak geliştirilmektedir ve bunun en az %95’e çıkarılması umulmaktadır. Ayrıca, önlemenin tedaviden daha iyi olduğunu belirtmekte fayda var. PixelPlex, AIRA’nın normal bir doktorun başaramayacağı kadar yüksek hassasiyetle hastalık semptomlarını tespit edebileceğini ve ayrıca sinir ağı analiz sürecini daha da geliştirmek için daha sonra kullanılmak üzere matematiksel modeller oluşturabileceğini belirtiyor.

İlgili Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak.

Başa dön tuşu