ارزیابی کارایی الگوریتم های هوش مصنوعی (AI) در تحلیل تصاویر محوطه صدری حیوانات برای تشخیص بیماری های قلبی و ریوی

سیستم های یادگیری عمیق ۱و شبکه های عصبی کانولوشنال۲از فناوری های پیشرفته هوش مصنوعی هستند که در تحلیل تصاویر پزشکی و دامپزشکی بسیار کارآمدند.یادگیری عمیق با استفاده از لایه های متعدد، ویژگی های پیچیده دادهها را به صورت سلسله مراتبی استخراج و تحلیل می کند، که این امر شناسایی الگوهای پیچیده در دادههای بزرگ و چندفرمت را ممکن می سازد(۱).امروزه استفاده ازهوش مصنوعی در تشخیص های بالینی دامپزشکی رو به رشد است . در این مطالعه ، عملکرد و دقت الگوریتم های هوش مصنوعی در تحلیل تصاویر محوطه صدری حیوانات برای تشخیص بیماری های قلبی و ریوی ارزیابی شده است . نتایج نشان می دهد که الگوریتم های هوش مصنوعی دقت ، حساسیت و ویژگی بالایی در تشخیص بیماری هایی مانند افیوژن پلورا و بزرگ شدن دهلیز چپ در سگ ها دارند. مدلهای مختلف شبکه های عصبی کانولوشنال برای تحلیل تصاویر رادیوگرافی قفسه سینه سگ ها آموزش دیدهاند و دقت بالایی در تشخیص ضایعات نشان دادهاند(۴-۲).یکی از مزایای کلیدی استفاده ازشبکه های عصبی کانولوشنالدر تحلیل تصاویر پزشکی و دامپزشکی ، توانایی آنها دریادگیری و بهبود عملکرد با افزودن دادههای بیشتر است . این امر به ویژه در دامپزشکی که نمونه های کمتری از برخی بیماری ها وجود دارد، اهمیت دارد(۱). چالش های اصلی در این بستر شامل جمع آوری دادههای کیفی ، آموزش برای بیماری های نادر، اعتبارسنجی دقیق ، دقت متغیر رادیولوژیست ها به عنوان حقیقت پایه و لیبل گذاری و مرتب سازی کافی دادههای تصویری است (۵).به طور کلی ،هوش مصنوعی پتانسیل بالایی برای بهبود دقت و کارایی در تشخیص های رادیولوژی دامپزشکی دارد، اما همچنان چالش های مهمی در زمینه جمع آوری دادهها، آموزش و اعتبارسنجی وجود دارد که نیازمند توجه بیشتر است .

کلیدواژه ها:

هوش مصنوعی ((AI ، تصویربرداری تشخیصی ، یادگیری عمیق ((DL ، CNNs ، بیماریهای قلبی و ریوی .