هوش مصنوعی در تشخیص شکستگی: یادگیری انتقال از شبکه های عصبی پیچشی عمیق

چکیده

کلمات کلیدی

روش‌ها و ابزار

شکل1. مکانیک پایه CNNهای اساسی

شکل2. تصویرسازی فیلترهای لایه اول از یک نسخه آموزش دیدهCNN "AlexNet".. 

آزمایش مدل و روشهای آماری

نتایج

بحث و بررسی

شکل3. (a) دقت آموزش (خط نارنجی نامنظم) و صحت اعتبارسنجی (خط خاکستری صاف) با توجه به تعداد و مقدار تکرار. یک خط روند متوسط 40 امتیازی برای مقادیر دقت آموزش گنجانده شده است(سیاه). (b) خطای شبکه با توجه به تعداد و مقدار تکرار.

محدودیت ها و پژوهش‌های آتی 

شکل4. منحنی ROC. مقادیر متناسب نشان‌داده‌شده (خاکستری تیره با نقاط داده الماسی شکل) با 95٪ درصد اطمینان (نقاط خاکستری کمرنگ)

شکل5. بافت‌نگار  توزیع نمرات طبقه بندی به طور جداگانه برای تصاویر شکستگی جدی (سیاه) و تصاویر طبیعی واقعی (خاکستری) را نشان می‌دهد. نمره بالاتر نشان‌دهنده شکستگی بیشتر است. خط خاکستری نقطه چین نشان‌دهنده برش مطلوب برای به حداکثر رساندن حساسیت و دقت است.

شکل6. رادیوگرافی مچ دست چپ نمونه‌های معمولی شکستگی‌های کولس (a) و اسمیت (b) را نشان می‌دهد. هر دو شکستگی عرضی متافیز شعاعی زبرین هستند اما دارای زاویه پشتی در نوع کولس و زاویه پالمر در نوع اسمیت هستند.

تقدیر و تشکر

 

هدف: شناسایی محدوده‌ای که انتقال یادگیری از شبکه‌های عصبی (CNNها) کانولوشن (پیچشی) عمیق، تصاویر پزشکی از قبل مشخص شده، می‌توانند در تشخیص خودکار شکستگی در رادیوگرافی ساده استفاده گردند. روش‌ها و ابزار: لایه بالایی شبکه Inception v3 با استفاده از رادیوگرافی مچ دست چپ دوباره بررسی شد تا مدلی برای طبقه بندی مطالعات جدید به عنوان «شکستگی» یا «عدم شکستگی» بدست آید. این مدل روی 11.112 تصویر اعمال شد، پس از استفاده از تکنیک افزایش داده هشت برابری، از مجموعه اولیه 1338 عکس رادیوگرافی (695 «شکستگی» و 694 «عدم شکستگی»). مجموعه داده به80:10:10 داده آموزشی، اعتبار سنجی، و آزمون گروهی، و ترتیبی تقسیم شد. 100 عکس رادیوگرافی اضافی، که 50 عکس از «شکستگی» و «عدم شکستگی» را با یکدیگر مقایسه می‌کرد، برای آزمون نهایی و تحلیل آماری بکار برده شد. نتایج: منطقه زیر منحنی مشخصه اپراتور گیرنده (AUC) برای این آزمون 0.954 بود. نتیجه قطعی تشخیص در آستانه‌ای که برای به حداکثر رساندن حساسیت و دقت طراحی شده بود، به ترتیب به مقادیر 0.9 و 0.88 منجر می‌شود. نتیجه‌گیری: مقادیر AUC در این آزمون با پیشرفته‌ترین مدرک ارائه دهنده مفهوم انتقال یادگیری از CNN در تشخیص شکستگی در رادیوگرافی ساده قابل مقایسه است. این نتیجه تنها با استفاده از اندازه نمونه متوسط حاصل شده. این روش تا حد زیادی قابل انتقال است و بنابراین، کاربردهای بالقوه بسیاری در تصویربرداری پزشکی دارد، که ممکن است منجر به پیشرفت‌های چشمگیری در بهره‌وری گردش کار و کاهش خطرهای بالینی شود. 2017، دانشکده سلطنتی رادیولوژی ، انتشار توسط شرکت السیویر ، همه حقوق برای ناشر محفوظ است.

تقاضا برای خدمات رادیولوژی به طور چشمگیری در سال‌های اخیر افزایش یافته و فشار قابل توجهی را بر نیروی کار وارد کرده است. در بریتانیا، تعداد معاینات توموگرافی کامپیوتری (CT) بین سال‌های 2012 و2015، به مقدار 29 درصد افزایش یافته است، در حالی‌که تعداد استخدامی‌ها کمتر بوده و 9 درصد پست‌های دستیار رادیولوژی در سال 2015 خالی بوده است. بعلاوه، در همان سال تقریباً هیچکدام از بخش‌های رادیولوژی گزارشی مبنی بر نیاز به استخدام گزارش نکرده‌اند. در فوریه 2016، 200000 عکس رادیولوژی ساده و 12000 مطالعه مقطعی انجام شده است. از این ارقام کاملاً مشخص است که اگر بخواهیم از آسیب بیمار در اثر تأخیر یا اشتباه در تشخیص جلوگیری کنیم، پیشرفت در کارایی گزارش و مدیریت گردش کار به شدت مورد نیاز است. هوش مصنوعی (AI)، ظرفیت پرداختن به این مسائل را دارد. پذیرش گسترده سیستم های الکترونیکی بایگانی عکس و ارتباطات (PACS) منجر به توسعه یکی از بزرگترین مجموعه داده‌های تصویری موجود شده است. در بریتانیا، تنها در سال 2016، 41 میلیون تصویربرداری انجام شده است. این داده‌ها کاملاً به یادگیری ماشین کمک می‌کنند. یادگیری ماشین نوعی از هوش مصنوعیست، که در پاسخ به داده‌های آموزشی به منظور پیش‌بینی خودکار از الگوریتم‌هایی که به شکل تکراری گسترده و یا آموزش داده می‌شوند استفاده می‌کند. یادگیری ماشین تحت نظارت یک زیرگروه است،که به ارائه داده های آموزش‌های از پیش مشخص‌شده متکی است. در زمینه تصویربرداری عمومی و بینایی رایانه‌ای، یادگیری عمیق ابزار پیشرو یادگیری ماشین است. یادگیری عمیق به تکنیک‌هایی گفته می‌شود که مبتنی بر پیشرفت در شبکه‌های عصبی مصنوعی است و در آن‌ها چندین لایه شبکه به منظور افزایش سطح مفهوم و عملکرد اضافه می‌شود. در شکل1 مروری کلی بر مکانیک شبکه‌های عصبی کانولوشن عمیق (CNN)، ارائه شده است. هدف شبکه‌های عصبی تقلید از ساختار مغز انسان است. آن‌ها از مجموعه‌ای از نورون‌های به هم پیوسته استفاده می‌کنند، که پیش از انتقال کمیت و ارزش به نورون بعدی در توالی، داده ها را جمع‌آوری، جمع‌بندی و یا تبدیل می‌کند. این فرآیند در یک لایه خروجی به اوج می‌رسد، و می‌توان برای پیش‌بینی‌های بعدی از آن استفاده کرد. ساخت و آموزش یک شبکه عصبی موثر از ابتدا به مقدار زیادی داده نیاز دارد. شبکه‌های طبقه‌بندی تصویر پیشرفته اغلب در مجموعه داده‌های حاوی میلیون ها تصویر ارائه، و توسط چندین سرور رایانه‌ای مشخص و به مدت چند هفته به طور مداوم کار می‌کند. این امر برای اکثر محققان پزشکی عملی نیست. یک روش برای غلبه بر این اتفاق، استفاده از فرایندی به نام یادگیری انتقال است. این فرایند بکارگیری ویژگی های بسیار تصفیه شده از CNN های بزرگ آموزش دیده موجود و استفاده از این موارد به عنوان نقطه شروع آموزش یک مدل جدید برای انجام کاری متفاوت است. این ویژگی‌ها در سطوح پایین، مانند آنچه در شکل 2 نشان داده شده است، را می‌توان به عنوان عناصر اصلی برای ساخت تصاویر مانند خطوط و منحنی‌ها تصور کرد که نشان داده شده‌ تا در بسیاری از امور شناسایی تصویر بکار برده شوند. این روش می تواند به میزان قابل توجهی نیازهای محاسباتی مورد نیاز برای آموزش شبکه را کاهش دهد و مزایای بسیاری در مقایسه با آموزش CNN از تراشه دارد. با وجود در دسترس بودن مقادیر گسترده‌ای از داده‌های تصویر، یادگیری انتقال در محیط‌های بالینی نسبتاً کم مورد استفاده قرار گرفته است. دو مقاله چاپ شده اخیر نشان داده است که انتقال یادگیری از CNN های آموزش دیده می‌تواند نتایج تشخیصی در مورد انسان را در دسته بندی ضایعات پوستی و در شناسایی بیماری در تصاویر دیجیتال شبکیه ایجاد کند. در تجزیه و تحلیل رادیوگرافی ساده هنوز سطح مشابهی از تشخیص دقیق گزارش نشده است؛ با این حال، اخیراً چند تحقیق امیدوار کننده در این زمینه منتشر شده است. مثلا، یک مطالعه CNN گوگل نت را برای تشخیص آسیب شناسی در رادیوگرافی ساده قفسه سینه آموزش داد، در نتیجه مشخص شد یک ناحیه در زیر منحنی 0.861 تا 0.964 برای ویژگی‌های مختلف رادیوگرافی قفسه سینه وجود دارد. یک مطالعه دیگر با استفاده از یادگیری انتقال از ایمیج‌نت CNN که قبلاً آموزش دیده است، برای طبقه بندی خودکار آرتروز در رادیوگرافی زانو استفاده کرده است. رادیوگرافی ساده با بیش از 22 میلیون بررسی در انگلیس در سال 2016 رایج ترین آزمایش رادیولوژی بوده است. بخش زیادی از این رادیولوژی‌ها مربوط به رادیوگرافی کردن اندام ساده در شرایطیست که ضربه دیده. یک مورد قوی برای توسعه استراتژی‌های خودکار در جهت بهبود کارایی و مدیریت گردش کار در این زمینه با توجه به تعداد مطالعات گزارش شده وجود دارد و ثابت کرد که بیش از 88 میلیون پوند برای برون‌سپاری گزارش‌های رادیولوژی در سال 2014 و2015 هزینه شده است. بنابراین عجیب است که، تا جایی‌که نویسنده می‌داند، در حال حاضر هیچ مطالعه‌ای در این زمینه وجود ندارد که با موفقیت یادگیری انتقال را از CNN های آموزش دیده به مشکل تشخیص شکستگی در رادیوگرافی ساده اعمال کند. هدف این مطالعه مفهومی این است که نشان دهد این کار تا چه حد امکان پذیر است.