هنگام مراجعه به پزشک، بسیاری از بیماران روش های غیرتهاجمی را به روش های تهاجمی و بالقوه دردناک ترجیح می دهند.

خوشبختانه، محققان دانشگاه پزشکی و دندانپزشکی توکیو (TMDU) ابزاری را توسعه داده‌اند که می‌تواند نیاز به روش‌های تشخیصی تهاجمی در کولیت اولسراتیو را کاهش دهد.

هر دو ارزیابی آندوسکوپی و بافت شناسی در تشخیص بیماری های مختلف مهم هستند. با هدف جلوگیری از بیوپسی های غیرضروری و بهبود تشخیص های پزشکی، محققان در TMDU قبلا یک سیستم شبکه عصبی عمیق به نام DNUC را برای ارزیابی کولیت اولسراتیو، یک بیماری مزمن که در روده بزرگ رخ می دهد و با التهاب مزمن در پوشش روده بزرگ مشخص می شود، توسعه دادند. بدون نیاز به بیوپسی، این ابزار هوش مصنوعی می تواند تصاویر بافت ها را برای شناسایی و تعیین کمیت مناطق التهاب و بیماری ارزیابی کند.

این تیم کاربرد DNUC را از تصاویر ثابت به ویدئوهای آندوسکوپی زنده بیماران مبتلا به کولیت اولسراتیو گسترش داد. محققان نشان دادند که DNUC می‌تواند وجود یا عدم وجود التهاب را در زمان واقعی، با میزان توافق بالا بین نتایج DNUC و تشخیص‌های متخصص، تعیین کند. DNUC همچنین توانست موارد بهبودی را با دقت بالایی پیش بینی کند.

این ابزار هوش مصنوعی می تواند مزایای بسیاری را برای حوزه پزشکی فراهم کند.

آقای Mamoru Watanabe، نویسنده ارشد این مطالعه می‌گوید: «استفاده از DNUC می‌تواند نیاز به بیوپسی را کاهش دهد، بنابراین در زمان و هزینه‌ها هم برای بیماران و هم برای پزشکان صرفه‌جویی می‌شود».

سیستم DNUC همچنین این پتانسیل را دارد که تصاویر و فیلم های ویدئویی را سریعتر از یک پزشک ارزیابی کند. علاوه بر این، آندوسکوپی نیاز به آموزش دارد و تفسیر نتایج آندوسکوپی می تواند ذهنی باشد و برای هر آندوسکوپی متفاوت باشد. DNUC می تواند استانداردهای کمی بیشتری را در ارزیابی ها، رسیدگی به این مسائل جاری در مورد تنوع و سوگیری در تشخیص های پزشکی، اجازه دهد.

این سیستم را می توان برای پلت فرم های تجاری آندوسکوپی در دسترس استفاده کرد، بنابراین پذیرش آن در عمل بالینی را تسهیل می کند. DNUC همچنین می تواند آموزش متخصصان گوارش جوان را تسهیل کند. به طور کلی، این کار پتانسیل هوش مصنوعی را برای بهبود مراقبت های پزشکی فعلی نشان می دهد.

201000923.047