| ارزیابی کارایی الگوریتم‌های هوش مصنوعی (AI) در تحلیل تصاویر محوطه صدری حیوانات برای تشخیص بیماریهای قلبی و ریوی |
| کد مقاله : 1216-MVTCONF (R1) |
| نویسندگان |
|
سید علی موسوی نیا *، مهرشاد صادقیان دانشجوی دامپزشکی، دانشکده دامپزشکی، دانشگاه شهرکرد، شهرکرد، ایران |
| چکیده مقاله |
| سیستم‌های یادگیری عمیق1 و شبکه‌های عصبی کانولوشنال2 از فناوری‌های پیشرفته هوش مصنوعی هستند که در تحلیل تصاویر پزشکی و دامپزشکی بسیار کارآمدند. یادگیری عمیق با استفاده از لایه‌های متعدد، ویژگی‌های پیچیده داده‌ها را به صورت سلسله مراتبی استخراج و تحلیل می‌کند، که این امر شناسایی الگوهای پیچیده در داده‌های بزرگ و چندفرمت را ممکن می‌سازد(1). امروزه استفاده از هوش مصنوعی در تشخیص‌های بالینی دامپزشکی رو به رشد است. در این مطالعه، عملکرد و دقت الگوریتم‌های هوش مصنوعی در تحلیل تصاویر محوطه صدری حیوانات برای تشخیص بیماریهای قلبی و ریوی ارزیابی شده است. نتایج نشان می‌دهد که الگوریتم‌های هوش مصنوعی دقت، حساسیت و ویژگی بالایی در تشخیص بیماری‌هایی مانند افیوژن پلورا و بزرگ شدن دهلیز چپ در سگ‌ها دارند. مدل‌های مختلف شبکه‌های عصبی کانولوشنال برای تحلیل تصاویر رادیوگرافی قفسه سینه سگ‌ها آموزش دیده‌اند و دقت بالایی در تشخیص ضایعات نشان داده‌اند(2-4). یکی از مزایای کلیدی استفاده از شبکه‌های عصبی کانولوشنال در تحلیل تصاویر پزشکی و دامپزشکی، توانایی آنها در یادگیری و بهبود عملکرد با افزودن داده‌های بیشتر است. این امر به ویژه در دامپزشکی که نمونه‌های کمتری از برخی بیماری‌ها وجود دارد، اهمیت دارد(1). چالش‌های اصلی در این بستر شامل جمع‌آوری داده‌های کیفی، آموزش برای بیماریهای نادر، اعتبارسنجی دقیق، دقت متغیر رادیولوژیست‌ها به عنوان حقیقت پایه و لیبل‌گذاری و مرتب‌سازی کافی داده‌های تصویری است(5). به طور کلی، هوش مصنوعی پتانسیل بالایی برای بهبود دقت و کارایی در تشخیص‌های رادیولوژی دامپزشکی دارد، اما همچنان چالش‌های مهمی در زمینه جمع‌آوری 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 |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
