یک سیستم هوش مصنوعی جدید که بوسیله پژوهشگران دانشگاه علوم پزشکی تهران ایجاد شده است، میتواند به جراحان کمک کند تا قبل از عمل، نقشههای دقیقتری از رگهای خونی داخل کبد ایجاد کنند.
به گزارش بهداشت نیوز، این سیستم که VesselVision-Net نام دارد، برای تجزیه و تحلیل سیتیاسکنهای تقویتشده با کنتراست و شناسایی و نقشهبرداری خودکار رگهای کبدی - از جمله شاخههای بسیار کوچکی که اغلب تشخیص آنها برای سیستمهای کامپیوتری موجود دشوار است - طراحی شده است. محققان میگویند که این فناوری در نهایت میتواند از برنامهریزی ایمنتر و آگاهانهتر جراحی کبد پشتیبانی کند.
چرا نقشهبرداری از رگهای کبد اهمیت دارد
جراحان قبل از برداشتن تومور کبد باید دقیقاً بدانند که تومور در کجای رگهای خونی کبد قرار دارد.
کبد حاوی شبکهای پیچیده از رگها است که به طور مکرر به رگهای کوچکتر و کوچکتر منشعب میشوند. موقعیت آنها میتواند بر امکان برداشتن کامل تومور، میزان بافت کبد 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 سیتیاسکن به یک نقشه سهبعدی دقیق از شبکه عروقی دشوار 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 رگها نیز میتواند زمانبر و مستعد خطا باشد.
مشکل سیستمهای هوش مصنوعی موجود
سیستمهای یادگیری عمیق پیش از این در بخشبندی خودکار رگهای کبد نویدبخش بودهاند. با این حال، محققان میگویند 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.
بنابراین، VesselVision-Net حول یک هدف خاص طراحی شد: بهبود تشخیص و تداوم رگهای محیطی کوچک و کم کنتراست در عین حفظ نمایش دقیق شبکه عروقی بزرگتر.
نحوه کار VesselVision-Net
این سیستم جدید چندین تکنیک هوش مصنوعی را ترکیب میکند تا بتواند هم تصویر آناتومیک وسیعتر و هم جزئیات دقیق در سیتیاسکن را بررسی کند.
یکی از اجزای آن، به نام «ماژول فیوژن متسع» (DFM)، اطلاعات تصویر را در مقیاسهای مکانی متعدد بررسی میکند. این سیستم از انواع مختلف کانولوشن برای ثبت جزئیات دقیق رگها و همچنین بافت آناتومیک وسیعتر بدون کاهش شدید وضوح تصویر استفاده میکند.
جزء دوم، «ماژول توجه جفتشده» (PAM)، به سیستم کمک میکند تا بر روی نواحی و ویژگیهای تصویر مرتبط با رگهای خونی تمرکز کند و در عین حال اطلاعات پسزمینهای را که میتواند باعث خطا شود، حذف کند.
محققان همچنین یک تابع ترکیبی از دست دادن آموزش ایجاد کردند که به رگهای کوچک و پراکنده اهمیت بیشتری میدهد. این امر برای جلوگیری از نادیده گرفتن رگهای ریز توسط هوش مصنوعی به دلیل حجم زیاد بافت غیررگی در سیتیاسکن در نظر گرفته شده است.
آزمایش شده بر روی سیتیاسکنهای عمومی و بالینی
محققان VesselVision-Net را با استفاده از دو مجموعه داده ارزیابی کردند.
اولین مورد، مجموعه داده عمومی 3D-IRCADb-01 بود که شامل اسکنهای سیتی از 20 بیمار بود. مورد دوم شامل 10 اسکن سیتی با کنتراست از یک محیط بالینی در مجتمع بیمارستانی امام خمینی بود.
اسکنهای بالینی با دقت حاشیهنویسی و توسط چندین متخصص، از جمله رادیولوژیستها و جراحان کبد و مجاری صفراوی، اعتبارسنجی شدند. اختلافات نهایی با اجماع متخصصان حل شد.
این مدل از سیستمهای مقایسهای بهتر عمل کرد
VesselVision-Net در مجموعه داده 3D-IRCADb-01 امتیاز Dice 0.7121 را به دست آورد که بالاترین امتیاز در بین مدلهای مقایسه شده بوسیله پژوهشگران است.
امتیاز Dice منطقه مورد علاقه آن برای عروق کوچک محیطی 0.8446 بود، در حالی که حساسیت 0.7313، دقت 0.7138 و تقاطع-روی-اتصال (IoU) 0.5540 بود.
این مقایسه شامل سیستمهای تثبیتشدهای مانند 3D U-Net، SegResNet، UNETR، Swin UNETR، UNETR++، VT-UNet، nnU-Net، tUbeNet و VS-Net بود.
نتایج حاصل از مجموعه دادههای بالینی جداگانه نیز دلگرمکننده بود. در 10 مورد، مدل به میانگین امتیاز Dice 0.7086، حساسیت 0.7232، دقت 0.7237 و IoU 0.5500 دست یافت.
کارشناسان نقشهها را مفید دانستند
پژوهشگران صرفاً به اندازهگیریهای عددی تکیه نکردند. یک جراح کبد و صفرا و دو رادیولوژیست نیز نقشههای رگ تولید شده توسط هوش مصنوعی را بررسی کردند.
از 30 ارزیابی تخصصی - سه متخصص که هر یک از 10 مورد بالینی را ارزیابی میکردند - 23 ارزیابی یا 76.6 درصد، قابلیت استفاده بالینی را «بالا» ارزیابی کردند.
کارشناسان عواملی از جمله اتصال رگ، حفظ شاخههای دیستال و سرکوب نویز پسزمینه را ارزیابی کردند. توافق بین متخصصان نیز نسبتاً قوی بود، با مقدار کاپای فلیس 0.78.
کوچکترین رگها همچنان بزرگترین چالش هستند
با وجود نتایج امیدوارکننده، VesselVision-Net مشکل را به طور کامل حل نکرد.
این مدل به ویژه در رگهای بزرگتر نسل دوم و سوم عملکرد خوبی داشت. عملکرد آن با شاخههای نسل چهارم و به ویژه پنجم که کوچکتر، پیچ خوردهتر و به احتمال زیاد کنتراست کم یا مبهم هستند، کمتر سازگار شد.
در برخی موارد، سیستم شاخههای دیستال را به طور کامل از دست داد یا تنها بخشی از آنها را قطعه قطعه کرد.
پژوهشگران همچنین خاطرنشان میکنند که مجموعه دادههای بالینی، بهبود عامل کنتراست کمتری نسبت به مجموعه دادههای عمومی IRCAD 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.
هر بخش از سیستم نقش داشت
یک تجزیه و تحلیل اضافی، آنچه را که هنگام حذف اجزای مهم VesselVision-Net اتفاق میافتد، آزمایش کرد.
پژوهشگران دریافتند 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، 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 از استدلال پژوهشگران مبنی بر اینکه اجزای مختلف به جای ارائه مزایای جداگانه، با هم کار میکنند، پشتیبانی کرد.
این موضوع چه معنایی برای جراحی کبد میتواند داشته باشد؟
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.
این پژوهشگران VesselVision-Net را به عنوان ابزاری بالقوه برای برنامهریزی قبل از عمل و پشتیبانی تصمیمگیری با کمک رایانه تصور میکنند. این سیستم با تولید خودکار نقشههای عروقی پیوستهتر، میتواند به طور بالقوه به پزشکان کمک کند تا عملهای کبدی دقیقتر و شخصیسازیشدهتری را برنامهریزی کنند.
با این حال، این مطالعه نشان نمیدهد که استفاده از VesselVision-Net در واقع نتایج جراحی را بهبود میبخشد. این مطالعه به جای انجام یک کارآزمایی بالینی که جراحیهای برنامهریزی شده با و بدون این فناوری را مقایسه میکند، دقت و قابلیت استفاده بالینی نقشههای رگ تولید شده توسط هوش مصنوعی را ارزیابی کرد.
آزمایشهای بیشتری لازم است
نویسندگان، VesselVision-Net را امیدوارکننده توصیف میکنند، اما 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.
منبع:
علم خوان
https://doi.org/10.1007/s10278-026-02187-5
نظراتی که حاوی توهین یا افترا به اشخاص ،قومیت ها ،عقاید دیگران باشد و یا با قوانین کشور وآموزه های دینی مغایرت داشته باشد منتشر نخواهد شد - لطفاً نظرات خود را با حروف فارسی تایپ کنید.