بیا یه موضوع واقعاً جذاب رو با هم بررسی کنیم! اگه کسی دچار نوع خاصی از بیماری مغزی به اسم Focal Cortical Dysplasia type II بشه (که بین دوستان بهش میگن FCD نوع ۲)، احتمال این که دچار صرع بشه خیلی بالاس. این ضایعات معمولاً باعث حملات صرع میشن و برای همین یکی از دلایل مهم و رایج صرع محسوب میشن. حالا مشکلی که هست اینه که شناسایی FCD نوع ۲ تو عکس‌های MRI خیلی سخت و وقت‌گیره، چون نشونه‌هاش خیلی شبیه بیماری‌های دیگه‌ست و تو خود عکس هم خیلی واضح دیده نمیشن.
اینجاست که هوش مصنوعی میاد وسط! مخصوصاً Deep Learning، یعنی یادگیری عمیق که زیرمجموعه‌ای از هوش مصنوعیه و خودش یه عالمه شبکه عصبی داره که می‌تونن خودشون از روی داده‌ها الگو یاد بگیرن. یه مدل خیلی معروف داخلش هست به اسم CNN یا «شبکه‌های عصبی کانولوشنی»، که مخصوص کار با تصویرن و می‌تونن الگوهای تصویری رو خوب تشخیص بدن. اینجا دانشمندا اومدن با nnU-Net کار کردن، که خودش یه چارچوب خیلی باحال و پویای یادگیری عمیقه. اگه بخوام ساده بگم، nnU-Net یعنی یه جور سیستم هوشمند که خودش می‌تونه تنظیمات مختلف کار با تصویر رو مثل پیش‌پردازش (یعنی آماده‌سازی اولیه تصاویر)، طراحی شبکه، آموزش و حتی مرحله بعد آموزش رو با توجه به کار جدید خودش تنظیم کنه. خلاصه، همه چی هوشمند و خودکار!
ولی کلیت داستان اینجاست: یه تیم محقق اومدن و رو ۸۵ بیمار که همون FCD نوع ۲ داشتن، تحقیق کردن و خواستن با همین nnU-Net ببینن میشه خودکار این ضایعات رو تو عکس‌های MRI مدل FLAIR سه‌بعدی پیدا کرد یا نه. FLAIR هم یه مدل خاص از ام‌آر‌آیه که برای نشون دادن ضایعات مغزی خیلی دقت خوبی داره (یادمون باشه!).
این دانشمندا برای این که کار هوش مصنوعی رو آسون‌تر کنن، یه ترفند باحال زدن؛ قبل از این که عکس‌ها رو بدن به مدل، اومدن همه اسلایدهای محوری (یا همون axial sliceها – بخش‌های نازک از مغز تو جهت افقی) رو بر اساس بیشترین شدت نقاط (همون voxel intensity – یعنی روشنی هر نقطه از تصویر) مرتب کردن و هر بار فقط ۵ تای اولش که فکر می‌کردن شانس وجود ضایعه توش بیشتره رو انتخاب کردن. این کار باعث شد که هوش مصنوعی فقط رو قسمت‌های مهم‌تر تمرکز کنه و وقتش رو روی بخش‌های بی‌اهمیت تلف نکنه.
بعدش nnU-Net میاد شروع می‌کنه به کار. یعنی سه‌بعدی تصویر رو نگاه می‌کنه و سعی می‌کنه به صورت خودکار ضایعات FCD نوع ۲ رو مشخص کنه. این روش باعث میشه دقت شناسایی بره بالا و روند تشخیص کلی هم فوق‌العاده سریع‌تر بشه. قبلاً دکترای مغز مجبور بودن با چشم و دستی دونه‌دونه این ضایعات رو پیدا کنن که هم زمان‌بر بود و هم امکان خطاش زیاد. اما با این روش جدید و خودکار، خیلی زودتر و دقیق‌تر میشه کار رو انجام داد و این یعنی قبل از جراحی، همه‌چیز خیلی بهتر و با آمادگی بیشتری پیش میره و آدم‌هایی که صرع دارن کیفیت زندگیشون بهتر میشه.
در ضمن برای این که مطمئن شن nnU-Net فقط رو یه دسته خاص از بیماران خوب کار نکرده باشه، ارزیابی کردنش رو با ۵ تا دسته تقسیم‌بندی (یا همون 5-fold cross-validation – یعنی آزمایش روی بخش‌بندی‌های مختلف دیتا) انجام دادن. این باعث شد نتایجشون قابل اطمینان‌تر بشه.
در کل، این تحقیق نشون داد که با استفاده از nnU-Net که خیلی منعطف و قویه (یعنی واسه هر نوع عکس پزشکی خودش رو وفق میده)، هم دقت و هم سرعت کشف ضایعات مغزیِ FCD نوع ۲ تو MRI حسابی میره بالا. این خیلی کمک می‌کنه تا بیماران مبتلا به صرع بتونن با آرامش بیشتری برای عمل جراحی آماده بشن و پزشکا هم کارشون آسون‌تر بشه.
درسته که بحث تخصصی به‌نظر میاد، ولی عملاً یه انقلاب تو شناسایی بیماری‌های مغزی مثل FCD محسوب میشه. اونم فقط با کمک یادگیری عمیق و شبکه عصبی که خودش همه کارها رو تنظیم و اجرا می‌کنه! خیلی باحاله، نه؟
منبع: +
