تصویربرداری تمام-اسلاید و کاربرد هوش مصنوعی در پاتولوژی دامپزشکی

در سالهای اخیر، تحلیل تصویر بافت دیجیتال از روشهای سنتی به سمت روشهای مبتنی بر هوش مصنوعی (به ویژه (Deep-learning برای تحلیل مجموعه های کامل نمونه ها تغییر کرده است . در آسیب شناسی ، روشهای مبتنی بر هوش مصنوعی برای مشکلات پیچیده و دادههای بزرگ مورد استفاده قرار می گیرند، جایی که روشهای قدیمی ممکن است ناکافی یا زمانبر باشند (۳-۱). نمونه هایی از استفاده از تحلیل تصویر بافت حیوانی با هوش مصنوعی شامل ارزیابی مراحل اسپرماتوژنز در موشها (۴)، ارزیابی کاردیومیوپاتی (۵) و آتروفی شبکیه در جوندگان (۶) می باشد. Machine learning،یک زیرمجموعه از هوش مصنوعی ، به برنامه های نرم افزاری اجازه می دهد تا در پیش بینی نتایج خروج دقیق تر عمل کنند بدون اینکه به طور مستقیم برای این کار برنامه ریزی شده باشند . Machine learning الگوریتم ها را با نمونه دادهها دریافت کرده تا ویژگی ها را به طور خودکار شناسایی کنند (۸،۷). Deep learning،یک زیرشاخه از Machine learning، به طور گسترده در تصویربرداری پزشکی از جمله آسیب شناسی استفاده می شود. مدلهای Deep learning، به ویژه شبکه های عصبی کانولوشن (Convolutional Neural Networks) از اتصالات عصبی در مغز انسان تقلید می کنند. CNNs ها عملیات ریاضیاتی به نام convolution را روی پیکسل های تصویر انجام می دهند تا ساختارهای مورد نظر را شناسایی ، طبقه بندی ویا بخش بندی کنند. آنها می توانند از طریق یادگیری نظارتشده که نیاز به دادههای برچسب گذاری شده داردیایادگیری بدون نظارت که دادهها را براساس شباهت های ویژگی های مختلف گروه بندی می کند، عمل کنند (۹). به طور خلاصه ،یکپارچه سازی هوش مصنوعی ویادگیری عمیق در تحلیل تصویر بافت دیجیتالیک پیشرفت قابل توجه در آسیب شناسی محسوب می شود که امکان تحلیل دقیق تر و کارآمدتر دادههای پیچیده را فراهم می کند .

کلیدواژه ها:

پاتولوژی ، هوش مصنوعی ، Machine learning ، Deep learning