گروهی از محققان در تایوان اخیرا بر روی یک مدل هوش مصنوعی مبتنی بر تصاویر SPECT بررسی‌هایی را انجام دادند و دریافتند این مدل هوش مصنوعی این پتانسیل را دارد که به متخصصان پزشکی هسته‌ای کمک کند تا نقایص کلیوی کودکان را شناسایی کنند.

این تیم تحقیقاتی یک مدل یادگیری عمیق (DL) را ایجاد کردند که می‌تواند به کمک تصویربرداری SPECT با استفاده از رادیوداروی Tc-99m-DMSA، میان کلیه‌‌های عادی و کلیه‌های اسکار تمایز قائل شود. این گروه طی یک آزمایش دریافتند که نتایج این مدل تقریباً با خوانش دو متخصص با تجربه در توافق کامل است.

نتایج اولیه نشان داد که مدل یادگیری عمیق می‌تواند به عنوان یک سیستم کمک تشخیصی مورد استفاده قرار گیرد تا به متخصصان کم تجربه پزشکی هسته‌ای در تشخیص نقایص قشر کلیوی یاری رساند.

نویسندگان خاطرنشان کردند که تصویربرداری Tc-99m DMSA-SPECT به طور گسترده در بیماران خردسال برای ارزیابی اسکارهای کلیوی، پیلونفریت حاد و فیبروز قشر کلیوی استفاده می‌شود، با این حال مطالعات نشان داده است که پزشکان در تفسیر این تصویربرداری ها چندان هم نظر نیستند. بنابراین، این گروه یک مدل هوش مصنوعی پیشنهاد کردند که می‌تواند بین کلیه‌های نرمال و غیر نرمال در این بیماران تمایز قائل شود و در نتیجه می‌تواند از لحاظ بالینی مورد توجه قرار گیرد.

این گروه 301 آزمون Tc-99m DMSA-SPECT را انجام داد. با توجه به نتایج، مدل DL آموزش دیده بر اساس تصاویر 2.5D SPECT عملکرد بهتری را نسبت به مدل‌های دیگر نشان داد. این مدل با دقت 92.5 درصد، حساسیت 90 درصد و ویژگی 95 درصد تمایز میان کلیه‌های نرمال و غیر نرمال را نشان داد.

نویسندگان بیان کردند: «نتایج بررسی ها نشان می‌ دهد که DL مبتنی بر تصویربرداری Tc-99m DMSA-SPECT، این پتانسیل را دارد که کلیه‌ نرمال را از کلیه غیرنرمال در کودکان متمایز کند. در نهایت علیرغم نتایج امیدوارکننده باید متذکر شد که این مطالعه به بررسی تعداد کمی از تصاویر بیماران محدود بود و آنها پیشنهاد کردند که این دست مدل‌‌های DL در نهایت باید برای بزرگسالان، از جمله برای کاندیدهای اهداکننده پیوند کلیه نیز مورد استفاده قرار گیرد.

منبع: Aunt Minnie