مقدمه و اهمیت تحقیق

رادیوگرافی قفسه سینه (Chest Radiography) به عنوان رایج‌ترین روش تصویربرداری تشخیصی در عمل بالینی روزمره، نقش حیاتی در شناسایی طیف وسیعی از ناهنجاری‌های قلبی و ریوی ایفا می‌کند. حجم بالای داده‌های مورد نیاز برای تفسیر، که گاهی برای یک رادیولوژیست به بیش از ۱۰۰ مطالعه در روز می‌رسد، چالشی جدی در حفظ مداوم دقت بالای تفسیر ایجاد می‌کند. با ظهور مجموعه داده‌های بزرگ و عمومی، سیستم‌های نوین متعددی برای طبقه‌بندی خودکار ناهنجاری‌ها توسعه یافته‌اند. با این حال، برچسب‌های موجود در این مجموعه داده‌ها اغلب از طریق پردازش زبان طبیعی (NLP) گزارش‌های پزشکی استخراج شده‌اند که منجر به درجه بالایی از نویز در برچسب‌ها شده و می‌تواند عملکرد مدل‌ها را تحت تأثیر قرار دهد. این مقاله به بررسی و ارائه راهکارهایی نوین برای مقابله با این چالش می‌پردازد و بر لزوم توسعه سیستم‌های هوشمند با قابلیت اطمینان بالا در محیط‌های واقعی بالینی تأکید دارد.

نویسندگان و زمینه تحقیق

این پژوهش توسط تیمی از محققان شامل Sebastian Gündel، Arnaud A. A. Setio، Florin C. Ghesu، Sasa Grbic، Bogdan Georgescu، Andreas Maier و Dorin Comaniciu انجام شده است. زمینه تحقیقاتی این مقاله در تقاطع حوزه بینایی کامپیوتر، تشخیص الگو و هوش مصنوعی قرار دارد، با تمرکز ویژه بر کاربردهای پزشکی و تجزیه و تحلیل تصاویر رادیولوژیک.

چکیده و خلاصه محتوا

رادیوگرافی قفسه سینه رایج‌ترین معاینه رادیوگرافیک در عمل بالینی برای تشخیص ناهنجاری‌های مختلف قلبی و ریوی است. حجم بالای داده‌ها، که خواندن و گزارش بیش از ۱۰۰ مطالعه در روز را برای یک رادیولوژیست ایجاب می‌کند، حفظ مداوم دقت بالای تفسیر را به چالش می‌کشد. معرفی مجموعه داده‌های عمومی در مقیاس بزرگ، منجر به ظهور مجموعه‌ای از سیستم‌های نوین برای طبقه‌بندی خودکار ناهنجاری‌ها شده است. با این حال، برچسب‌های این مجموعه داده‌ها با استفاده از پردازش زبان طبیعی بر روی گزارش‌های پزشکی به دست آمده‌اند که منجر به درجه بالایی از نویز در برچسب‌ها می‌شود و می‌تواند بر عملکرد تأثیر بگذارد. در این مطالعه، ما استراتژی‌های آموزشی نوین را برای مقابله با نویز برچسب در داده‌های نامناسب ارائه می‌دهیم. احتمال برچسب‌های قبلی بر روی زیرمجموعه‌ای از داده‌های آموزشی که توسط ۴ رادیولوژیست متخصص مجدد خوانده شده‌اند، اندازه‌گیری شد و در طول آموزش برای افزایش مقاومت مدل آموزشی در برابر نویز برچسب مورد استفاده قرار گرفت. علاوه بر این، ما از هم‌بیماری بالای ناهنجاری‌های مشاهده شده در رادیوگرافی قفسه سینه بهره می‌بریم و این اطلاعات را برای کاهش بیشتر تأثیر نویز برچسب تلفیق می‌کنیم. همچنین، دانش آناتومیکی با آموزش سیستم برای پیش‌بینی تقسیم‌بندی ریه و قلب، و همچنین برچسب‌های دانش فضایی، ادغام می‌شود. برای مقابله با مجموعه داده‌های متعدد و تصاویر حاصل از اسکنرهای مختلف که تکنیک‌های پردازش پس از آن متفاوتی را به کار می‌برند، یک استراتژی نوین نرمال‌سازی تصویر معرفی می‌کنیم. آزمایش‌ها بر روی مجموعه‌ای گسترده از ۲۹۷,۵۴۱ رادیوگرافی قفسه سینه از ۸۶,۸۷۶ بیمار انجام شد که منجر به سطحی از عملکرد پیشرفته در تشخیص ۱۷ ناهنجاری از ۲ مجموعه داده شد. با میانگین امتیاز AUC ۰.۸۸۰ در سراسر ناهنجاری‌ها، استراتژی‌های آموزشی پیشنهادی ما می‌توانند برای بهبود قابل توجه امتیازات عملکرد مورد استفاده قرار گیرند.

روش‌شناسی تحقیق

روش‌شناسی این تحقیق بر چند ستون اصلی بنا شده است که هدف آن افزایش مقاومت مدل‌های یادگیری ماشین در برابر برچسب‌های نویزی در داده‌های رادیوگرافی قفسه سینه است:

• اندازه‌گیری و استفاده از احتمالات اولیه برچسب:
  این بخش شامل بازخوانی دقیق زیرمجموعه‌ای از داده‌های آموزشی توسط چهار رادیولوژیست متخصص است. اطلاعات به دست آمده از این بازخوانی، احتمال واقعی بودن یا نبودن هر ناهنجاری را برای نمونه‌های خاص مشخص می‌کند. این احتمالات سپس به عنوان یک راهنما در طول فرآیند آموزش مدل مورد استفاده قرار می‌گیرند تا مدل کمتر تحت تأثیر برچسب‌های نادرست اولیه قرار گیرد. به عنوان مثال، اگر برچسب اولیه برای یک تصویر نشان‌دهنده “پنوموتوراکس” باشد، اما رادیولوژیست‌های متخصص با اطمینان بالایی نظر مخالف داشته باشند، مدل با وزن کمتری به این برچسب اولیه توجه خواهد کرد.
• بهره‌برداری از هم‌بیماری ناهنجاری‌ها:
  مشاهده شده است که برخی ناهنجاری‌ها اغلب با یکدیگر همزمان رخ می‌دهند (هم‌بیماری). به عنوان مثال، نارسایی قلبی ممکن است با ادم ریوی همراه باشد. این تحقیق از این دانش پزشکی استفاده می‌کند. مدل نه تنها برای تشخیص هر ناهنجاری به صورت مجزا آموزش داده می‌شود، بلکه روابط احتمالی بین ناهنجاری‌ها نیز در نظر گرفته می‌شود. این امر به مدل کمک می‌کند تا در صورت مشاهده علائم یک ناهنجاری، احتمال وجود ناهنجاری‌های مرتبط دیگر را نیز بسنجد و حتی اگر برچسب اصلی برای ناهنجاری مرتبط نویزی و اشتباه باشد، مدل قادر به تشخیص صحیح آن خواهد بود.
• تلفیق دانش آناتومیکی و فضایی:
  برای افزایش درک مدل از تصاویر رادیوگرافی، دانش آناتومیکی و فضایی ادغام می‌شود. این شامل آموزش مدل برای انجام وظایف کمکی مانند:
  • تقسیم‌بندی (Segmentation): پیش‌بینی نواحی دقیق ریه و قلب در تصویر. این کار به مدل کمک می‌کند تا اجزای کلیدی را شناسایی کرده و تحلیل خود را بر روی نواحی مربوطه متمرکز کند.
  • برچسب‌های دانش فضایی: درک موقعیت و روابط مکانی بین ساختارهای آناتومیکی. به عنوان مثال، تشخیص اینکه آیا یک یافته در قسمت بالایی ریه یا در ناحیه مرکزی قفسه سینه قرار دارد.

  این دانش اضافی، مدل را قادر می‌سازد تا درک عمیق‌تری از تصویر داشته باشد و از تشخیص‌های اشتباه ناشی از برچسب‌های نویزی جلوگیری کند.

• استراتژی نوین نرمال‌سازی تصویر:
  تصاویر رادیوگرافی ممکن است از اسکنرهای مختلف با تنظیمات متفاوت و تکنیک‌های پردازش پس از تصویربرداری متفاوتی به دست آیند. این تفاوت‌ها می‌توانند بر ظاهر تصاویر و در نتیجه بر عملکرد مدل تأثیر بگذارند. برای مقابله با این چالش، یک روش نرمال‌سازی تصویر جدید معرفی شده است که کیفیت و سازگاری تصاویر را از منابع مختلف بهبود می‌بخشد و آماده‌سازی بهتری برای ورود به مدل یادگیری ماشین فراهم می‌کند.

یافته‌های کلیدی

نتایج این تحقیق نشان‌دهنده پیشرفت قابل توجهی در زمینه طبقه‌بندی ناهنجاری‌های رادیوگرافی قفسه سینه با وجود برچسب‌های نویزی است. یافته‌های کلیدی عبارتند از:

• عملکرد پیشرفته (State-of-the-Art):
  مدل پیشنهادی با استفاده از روش‌های نوین، به سطحی از عملکرد دست یافته است که در حال حاضر پیشرفته‌ترین در نوع خود محسوب می‌شود. این دستاورد در ارزیابی ۱۷ ناهنجاری مختلف در دو مجموعه داده بزرگ به اثبات رسیده است.
• بهبود میانگین امتیاز AUC:
  میانگین امتیاز ناحیه زیر منحنی مشخصه عملکرد گیرنده (AUC) در حدود ۰.۸۸۰ در سراسر ناهنجاری‌ها به دست آمده است. این یک معیار قوی برای ارزیابی دقت مدل در تفکیک بین کلاس‌های مثبت و منفی است و نشان‌دهنده قابلیت اطمینان بالای مدل پیشنهادی است.
• مقاومت در برابر نویز برچسب:
  تلفیق دانش افزوده (احتمالات اولیه برچسب، هم‌بیماری ناهنجاری‌ها، دانش آناتومیکی و فضایی) به طور چشمگیری تأثیر نویز موجود در برچسب‌ها را کاهش داده و به مدل اجازه می‌دهد تا با دقت بیشتری عمل کند. این امر برای کاربردهای بالینی که دقت و قابلیت اطمینان حیاتی است، بسیار مهم است.
• قابلیت تعمیم‌پذیری:
  استفاده از استراتژی نرمال‌سازی تصویر، مدل را در برابر تغییرات ناشی از اسکنرهای مختلف و روش‌های پردازش پس از تصویربرداری مقاوم ساخته و قابلیت تعمیم‌پذیری آن را به داده‌های دنیای واقعی افزایش می‌دهد.

کاربردها و دستاوردها

دستاورد اصلی این پژوهش، ارائه چارچوبی قدرتمند برای ساخت سیستم‌های طبقه‌بندی خودکار ناهنجاری‌های رادیوگرافی قفسه سینه است که به طور مؤثری با چالش برچسب‌های نویزی مقابله می‌کند. این دستاورد پیامدهای عملی مهمی دارد:

• کمک به رادیولوژیست‌ها:
  سیستم‌های توسعه یافته می‌توانند به عنوان یک ابزار کمکی قدرتمند برای رادیولوژیست‌ها عمل کنند، به ویژه در مواجهه با حجم بالای کاری. این سیستم‌ها می‌توانند ناهنجاری‌های بالقوه را برجسته کرده و زمان تفسیر را کاهش دهند.
• افزایش دسترسی به تشخیص‌های دقیق:
  در مناطقی که دسترسی به رادیولوژیست‌های متخصص محدود است، این سیستم‌ها می‌توانند راه را برای تشخیص‌های سریع‌تر و دقیق‌تر هموار کنند.
• بهبود مدیریت بیماران:
  تشخیص سریع‌تر و دقیق‌تر ناهنجاری‌ها منجر به شروع به موقع درمان و بهبود نتایج درمانی بیماران می‌شود.
• پیشبرد تحقیقات در هوش مصنوعی پزشکی:
  این مقاله چارچوبی برای مقابله با نویز داده در سایر کاربردهای هوش مصنوعی پزشکی نیز ارائه می‌دهد و راه را برای تحقیقات آینده هموار می‌کند.
• مقیاس‌پذیری:
  استفاده از ۲۹۷,۵۴۱ رادیوگرافی قفسه سینه از ۸۶,۸۷۶ بیمار، نشان‌دهنده مقیاس‌پذیری بالای روش پیشنهادی است که قابلیت اعمال آن را بر روی مجموعه‌های داده بسیار بزرگ‌تر فراهم می‌سازد.

نتیجه‌گیری

این مقاله نشان می‌دهد که با تلفیق هوشمندانه دانش افزوده، از جمله احتمالات اولیه برچسب، دانش هم‌بیماری ناهنجاری‌ها، دانش آناتومیکی و فضایی، و همچنین یک استراتژی نوین نرمال‌سازی تصویر، می‌توان سیستم‌های طبقه‌بندی خودکار ناهنجاری‌های رادیوگرافی قفسه سینه را به طور قابل توجهی مقاوم‌تر در برابر نویز برچسب ساخت. دستیابی به میانگین AUC ۰.۸۸۰ در میان ۱۷ ناهنجاری مختلف، مؤید موفقیت این رویکرد است. این تحقیق نه تنها گامی مهم در جهت توسعه هوش مصنوعی پزشکی قابل اتکا برداشته است، بلکه راه را برای کاربردهای عملی این فناوری در بهبود کیفیت مراقبت‌های بهداشتی و تشخیصی هموار می‌سازد.