Using deep neural networks to diagnose medical conditions from radiology and MRI images

يعتمد تحسين نتائج المرضى على التحديد السريع والدقيق للاضطرابات الطبية باستخدام التصوير بالرنين المغناطيسي والتصوير الشعاعي. يعتمد التشخيص التقليدي في الغالب على مهارة أخصائي الأشعة، الذين قد يتأثر حكمهم بالتعب وعبء العمل واختلاف مستويات الخبرة، مما قد يؤدي إلى أحكام متأخرة أو غير دقيقة. يتناول هذا العمل استخدام الشبكات العصبية العميقة (DNNs)، وخاصةً الشبكات العصبية التلافيفية (CNNs)، في تحليل صور الرنين المغناطيسي والأشعة السينية والتحديد الدقيق للغاية للتشوهات الطبية. جُمعت 500 صورة رنين مغناطيسي طبيعية، و300 صورة رنين مغناطيسي تحتوي على أورام، و400 صورة أشعة سينية طبيعية، و200 صورة أشعة سينية لحالات الالتهاب الرئوي من أرشيفات المستشفيات وقواعد البيانات العامة. لتحسين تعميم النموذج، استُخدمت المعالجة المسبقة وزيادة البيانات. كان أداء نموذج CNN مشابهًا لأداء خبراء الأشعة عند تقييمه باستخدام معايير الدقة والإتقان والتذكر ودرجة F1؛ وفي معظم المقاييس، تفوقت الآلة على التقييم البشري بهامش ضئيل. تُظهر النتائج أن شبكات CNN قادرة على تحديد مجموعة واسعة من المشاكل الطبية بدقة، مما يُخفف العبء التشخيصي، ويُقدم مساعدة موثوقة في اتخاذ القرارات السريرية. تُوضح هذه النتائج كيفية استخدام التعلم العميق لتحسين أدوات التشخيص التقليدية، وتُشير إلى اتجاهات لمزيد من الدراسات، مثل التصنيف متعدد الفئات، ودمج التعلم العميق مع أساليب الذكاء الاصطناعي الأخرى، والتطبيق العملي.