CNN یک شبکه‌ی عصبی مصنوعی بوده که از  فرآیندهای بیولوژیکی و اتصال نورون‌ها در مغز به یکدیگر و عکس العمل به بینایی چشم، الهام گرفته شده. این شبکه از سرعت بالایی برخوردار بوده و میتواند با آموزش به خود، نحوه ی عملکردش را به مرور بهتر کند.

فیزیک‌دان و مدیر ارشد بخش امراض پوستی دانشگاه هایدلبرگ آلمان،پروفسور هولجر هانسل، در این خصوص می‌گوید:

عملکرد CNN مشابه عملکرد مغز یک کودک است. برای آموزش به آن، بیش از ۱۰٬۰۰۰ تصویر از سرطان‌های پوستی خوش‌خیم و بدخیم و خال‌های بی‌خطر و تشخیص مرتبط با هر تصویر را نمایش دادیم. برای این کار تنها از تصاویر درماتوسکوپی استفاده شده که شامل ضایعات پوستی با بزرگ‌نمایی ده برابر است. CNN با یادگیری هر تصویر توانایی خود را برای تفکیک بین ضایعات بدخیم و خوش‌خیم بهبود می‌دهد. پس از پایان آموزش، دو مجموعه‌ی تست از تصاویر کتابخانه‌ی هایدلبرگ را ایجاد کردیم که قبلا در هیچ دوره‌ی آموزشی از آن‌ها استفاده نشده بود و برای CNN ناشناخته بودند. یک مجموعه شامل ۳۰۰ تصویر صرفا برای تست عملکرد CNN ایجاد شد. قبل از انجام این تست هم ۱۰۰ عدد از دشوارترین ضایعات برای تست در اختیار متخصصین واقعی قرار گرفت تا نتایج متخصصین با نتایج CNN مقایسه شوند.

برای همکاری در این آزمایش، از متخصصان سرتاسر جهان دعوت به عمل آمد که از بین ۵۸ کشور دعوت شده ۱۷ کشور مشارکت در این آزمایش را پذیرفتند. در این پژوهش  در سطح ۱ از متخصصان خواستند تا از روی تصاویر درماتوسکوپی نوع تومور را تشخیص داده و در صورت لزوم برای جراحی یا نحوه ی درمان آن تصمیم گیری کنند. برای سطح ۲ پس از چهار هفته اطلاعات پزشکی بیمار و تصاویر نزدیک از ۱۰۰ نمونه‌ی مشابه را در اختیار متخصصان قرار دادند و از آن ها خواستند تا تشخیص خود را در خصوص آن ها اعلام نمایند.

متخصصان در سطح اول توانستند ۸۶.۶ درصد تومور را کشف کرده و  میانگین ۷۱.۳ درصد ضایعه‌های غیربدخیم را به درستی تشخیص دهند. این درحالی ست که CNN در سطح اول توانست ۹۵ درصد از تومورها را تشخیص دهد. در سطح دوم متخصصان با پیشرفت نسبت به سطح اول،توانستند ۸۸.۹ درصد از تومورهای بدخیم و ۷۵.۷% مواردد غیرسرطانی را به درستی شناسایی کنند.

پروفسور هانسل در ایم زمینه گفت:
CNN تعداد کمی از تومورها را از دست داد و این به معنی حساسیت بالاتر این سیستم نسبت به متخصص‌های پوستی است، این شبکه در مورد خال‌های خوش‌خیم هم خطای کمتری داشت و این به معنی تخصص بالاتر این شبکه است؛ خطای کمتر جراحی‌های غیرضروری را کاهش می‌دهد. عملکرد متخصص‌های پوستی با دریافت اطلاعات پزشکی و تصاویر بیشتر در سطح ۲، بهبود پیدا کرد. بااین‌حال، توانایی تشخیص CNN که فقط از روی تصاویر درماتوسکوپی کار می‌کرد و هیچ اطلاعات پزشکی بیشتری را دریافت نکرده بود از پزشک‌ها بیشتر بود.

در سطح یک متخصصان حرفه ای نسبت به متخصصان کم‌تجربه تشخیص های بهتری داشتند با این وجود عملکرد آنها به طور میانگین در سطوح یک و دو از CNN ضعیف تر بود. امروزه خطر ابتلا به تومورهای بدخیم در حال افزایش بوده وبر اساس گزارشات هر ساله در سراسر جهان ۲۳۲٬۰۰۰ نفر به این بیماری مبتلا می شوند که ۵۵٬۵۰۰ نفر آن ها جان سالم به در نمی برند. لازم به ذکر است که این تومورها اگر در زمان مناسب تشخیص داده شوند قابل‌درمان هستند اما بیشتر موارد گزارش داده شده زمانی تشخیص داده میشوند که سرطان پیشرفت کرده و درمان آن دشوارتر شده است.

پروفسور هانسل می گوید:

من به مدت بیست سال در پروژه‌های پژوهشی با هدف بهبود کشف زودهنگام تومور در مراحل قابل درمان مشارکت داشتم. من و گروهم بر فناوری‌های غیرتهاجمی کار کردیم که با استفاده از آن‌ها پزشک‌ها هیچ توموری را در طول معاینه‌ی سرطان پوست از دست نمی‌دهند. وقتی به گزارش‌های اخیر در مورد الگوریتم‌های یادگیری عمیق برخورد کردم که در یک مجموعه وظایف مشخص عملکرد بهتری نسبت به افراد متخصص دارند، بلافاصله به این نتیجه رسیدم که برای تشخیص تومور نیاز به بررسی الگوریتم‌های هوش مصنوعی داریم

گفتنی است که از CNN  انتظار نمیرود که با پیشی گرفتن از متخصصان جایگزین آن ها شود بلکه می توان ازاین شبکه به عنوان یک ابزار کمکی بهره گرفت. CNN میتواند در معاینه‌ی سرطان و تصمیم‌گیری در مورد بافت‌برداری ضایعه پزشکان را یاری دهد.CNN به‌سادگی و به‌سرعت می‌تواند تصویر ذخیره شده از سیستم‌های درماتوسکوپی دیجیتالی را جهت بیان یک نظر کارشناسانه در مورد احتمال تومور مورد بررسی قرار دهد.

چند نکته ی قابل توجه هم در این آزمایش وجود داردT برای مثال متخصصان می‌دانستند تصمیم‌ آن‌ها، تنها برای یک آزمایش بوده و با تشخیصشان خطری جان بیمار را تهدید نمیکند. مجموعه‌های تست هم طیف کاملی از ضایعات پوستی را دربر نمی‌گرفتند؛ و پزشک‌ها همواره به توضیحات و تشخیص CNN عمل نمی‌کنند چرا که به آن اطمینان صد درصد ندارند.

دکتر ویکتوریا مار (دانشگاه موناش، ملبورن استرالیا) و پروفسور اچ. پیتر سویر (دانشگاه کویینزلند، بریسبین، استارلیا) در این خصوص نوشته اند:

در حال حاضر تشخیص پزشکی تومور به تجربه و آموزش پزشک معالج وابسته است. هانسل و همکاران نشان می‌دهند یک الگوریتم کامپیوتری با استفاده از شبکه‌های عصبی کانولوشنال نسبت به اکثریت ۵۸ متخصص عملکرد بهتری دارد. این نتیجه به این معنی است که هوش مصنوعی (AI) نویدبخش سطح استانداردی از دقت پزشکی خواهد بود به‌طوری‌که تمام افراد صرف‌نظر از موقعیت زندگی و پزشک معالج می‌توانند به امکانات تشخیص مطمئن دسترسی داشته باشند.

آن‌ها در ادامه تأکید می‌کنند قبل از استاندارد شدن AI در کلینیک‌های پزشکی، مشکلاتی مثل دشواری پردازش تصویر برخی تومورها در محل مثل انگشت دست، انگشت پا و پوست فرق سر و روش یادگیری AI برای تشخیص تومورهای غیرمعمولی و تومورهایی که بیمار از آن‌ها ناآگاه است باید برطرف شوند.

در پایان می توان گفت که در حال حاضر برای بررسی های پزشکی هیچ جایگزین مطمئنی وجود ندارد. اما، عکاسی دوبعدی وسه‌بعدی می‌تواند  تا ۹۵ درصد از سطح پوست را ثبت کرده و با بهره گیری از فناوری پردازش تصویر در آینده ای نه چندان دور، تشخیص خودکار، الگوی تشخیص بیماری های پوستی را دگرگون خواهد کرد.اما هنوز بهره مندی از این فناوری با امنیت کامل و استفاده روزمره از آن نیازمند زمان است.

مجتمع کامپیوتر پایتخت