مکاترونیک نیوز | محققان از هوش مصنوعی با غربالگری غیرتهاجمی برای تشخیص سندرم داون استفاده می کنند!!!

به گزارش مکاترونیک نیوز، غربالگری غیرتهاجمی برای تشخیص دقیق سندرم داون با تکیه بر هوش مصنوعی وارد بازار شد.

شایع ترین ناهنجاری کروموزومی که باعث اختلالات فکری و تاخیر در رشد می شود، سندرم داون است که به عنوان تریزومی 21 نیز شناخته می شود که در بارداری قابل تشخیص است. بسیاری از مادران باردار می خواهند بدانند که آیا جنین آنها به این بیماری مبتلا است یا خیر؟

برای چندین دهه، تصاویر اولتراسوند به دلیل ایمنی، راحتی و هزینه کم، به طور گسترده برای غربالگری جنین های مبتلا به سندرم داون استفاده می شود. با این حال، با استفاده از نشانگرهای رایج اولتراسوند، دقت تشخیص در معاینات سونوگرافی واقعی کمتر از 80٪ است. روش‌های تهاجمی مانند بیوپسی پرز، آمنیوسنتز و رگ‌گیری ناف جنین نیز معمولاً برای تشخیص سندرم داون استفاده می‌شوند.

در این مطالعه، محققان یک شبکه عصبی کانولوشنال (CNN) را برای ساخت یک مدل یادگیری عمیق (DL) توسعه دادند که می‌تواند ویژگی‌های نماینده را از تصاویر اولتراسوند به منظور شناسایی جنین‌های مبتلا به سندرم داون بیاموزد.

برای اجرای یک غربالگری غیرتهاجمی سندرم داون با استفاده از تصاویر اولتراسوند، محققان موسسه اتوماسیون آکادمی علوم چین (CASIA) اکنون یک مدل پیش‌بینی هوشمند ساخته‌اند.

با توجه به قابلیت اطمینان، سهولت استفاده و هزینه کم این روش، اسکن اولتراسوند به طور منظم و چند بار برای غربالگری جنین از نظر سندرم داون مورد استفاده قرار می گیرد. اما در آزمایشات سونوگرافی واقعی، دقت تشخیص با استفاده از اندیکاسیون های استاندارد اولتراسوند کمتر از 80 درصد است.

تاثیر هوش مصنوعی بر غربالگری غیرتهاجمی

اغلب تشخیص سندرم داون شامل تکنیک‌های تهاجمی مانند بیوپسی پرز، آمنیوسنتز و رگ‌گیری ناف جنینی است.

در این مطالعه، محققان یک مدل یادگیری عمیق (DL) با استفاده از یک شبکه عصبی کانولوشن (CNN) برای یادگیری ویژگی‌های نماینده از تصاویر اولتراسوند برای شناسایی جنین‌های مبتلا به سندرم داون ساختند.

CNN، یک سیستم یادگیری عمیق است که می‌تواند یک تصویر ورودی بگیرد، عناصر و اشیا متمایز درون آن را اولویت‌بندی کند (برای مثال تعصبات و وزن‌های قابل یادگیری را اعمال کند) و بین آنها تمایز قائل شود.

چند لایه پنهان را می‌توان در یک CNN پیدا کرد. لایه اول در تشخیص لبه انتخاب می‌شود، در حالی که لایه آخر در تشخیص فرم پیچیده‌تر است. در این مطالعه یازده لایه پنهان وجود دارد.

همچنین محققان از یک نقشه فعال‌سازی کلاس (CAM) استفاده کردند تا مشخص کنند که مدل بر روی چه چیزی متمرکز شده است و چگونه مستقیماً به CNN اجازه می‌دهد تا ویژگی‌های متمایزکننده را برای رتبه‌بندی ریسک به دست آورد و مدل DL را به روشی قابل خواندن برای انسان تفسیر کند.

بین هفته های 11 تا 14 بارداری، صفحه میانی ساژیتال صورت جنین با استفاده از فناوری سونوگرافی دو بعدی تصویربرداری شد. هر تصویر با استفاده از یک جعبه محدود برای نمایش سر جنین به بخش‌هایی تقسیم شد. این مطالعه شامل 272 نفر در مجموعه اعتبار سنجی و 550 شرکت کننده در مجموعه آموزشی، در مجموع 822 مورد و شاهد بود.

اعتبار تصویر: موسسه اتوماسیون آکادمی علوم چین (CASIA)

به گفته محققان، پنج لایه اول نقشه‌های ویژگی تولید شده توسط  CAM، به وضوح فرایند یادگیری ویژگی های نماینده را به تصویر می‌کشد. آخرین لایه، مناطق پاسخ بصری را برای تصمیم گیری مدل نشان داد.

جی تیان، نویسنده مسئول مطالعه، موسسه اتوماسیون آکادمی علوم چین  (CASIA)می‌گوید:

«این مدل غربالگری غیرتهاجمی برای تشخیص سندرم داون که برای  اوایل بارداری ساخته شده است، به طور قابل توجهی نسبت به نشانگرهای برچسب‌گذاری دستی موجود که معمولاً استفاده می‌شود، برتر است و دقت پیش‌بینی را تا بیش از 15 درصد بهبود می‌بخشد. همچنین نسبت به روش غربالگری تهاجمی مرسوم فعلی برای سندرم داون براساس سرم مادر برتر است.»

پیش‌بینی می‌شود که مفهوم پیشنهادی به ابزاری غیرتهاجمی، مقرون‌به‌صرفه و کاربردی برای غربالگری بارداری اولیه سندرم داون تبدیل شود.

بنیاد ملی علوم طبیعی چین و برنامه کلیدی تحقیق و توسعه وزارت علوم و فناوری بودجه این مطالعه را تامین کردند.

خبرنگار: سمیه آموت سر

منبع خبر: www.azorobotics.com