كاربرد هوش مصنوعي در ارزيابي ضايعات مغزي بيماري مولتيپل اسكلروزيس از طريق پردازش تصاوير ام آر آي

مقدمه: در سال‌هاي اخير، تكنيك‌هاي هوش مصنوعي (AI) به سرعت در حال تبديل شدن به اقدامات باليني مانند فرآيندهاي تشخيص و پيش‌آگهي، ارزيابي اثربخشي درمان و پايش بيماري هستند. مطالعات قبلي نتايج جالبي را در مورد كارايي تشخيصي روش‌هاي هوش مصنوعي در افتراق بيماران مبتلا به مولتيپل اسكلروزيس (MS) از افراد سالم يا ساير بيماري‌هاي دميلينه‌كننده نشان داده‌اند. يك بررسي سيستماتيك جامع در مورد نقش هوش مصنوعي در تشخيص ام اس وجود ندارد. هدف ما انجام يك بررسي سيستماتيك براي مستندسازي عملكرد هوش مصنوعي در تشخيص MS بود. در اين مطالعه، ما يك جستجوي جامع و سيستماتيك با استفاده از پايگاه داده PubMed انجام داديم. تمام مطالعات اصلي كه بر يادگيري عميق يا هوش مصنوعي براي تجزيه و تحليل روش‌هايي با هدف تشخيص MS با استفاده از تصاوير MRI متمركز بودند، در مطالعه ما گنجانده شدند. مواد و روش‌ها: براي اين بررسي، PubMed را براي مطالعاتي در مورد كاربرد هوش مصنوعي در MS با استفاده از تصاوير MRI منتشر شده به زبان انگليسي طي دوره 2010-2023 جستجو كرديم. استراتژي جستجو بر اساس كلمات Mesh و تركيب آن‌ها بود. همه مطالعات مرور شدند، اما تنها مرتبط‌ترين آن ها در اين مرور مورد استفاده قرار گرفتند. يافته‌ها: هوش مصنوعي با استفاده از روش‌هاي يادگيري عميق مي‌تواند بروز ام‌اس و عوارض آن را بر اساس عوامل خطر بيماري پيش‌بيني كند. و هزينه و زمان صرف شده براي آزمايش‌هاي مختلف پزشكي را كاهش مي‌دهد. هوش مصنوعي با استخراج اطلاعات و انجام پردازش‌هاي لازم با استفاده از روش‌هايي مانند CNN اين امكان را فراهم مي‌كند. نتيجه‎گيري: تشخيص بيماري ام اس بر اساس نشانگرهاي جديد و هوش مصنوعي، زمينه تحقيقاتي رو به رشدي با تصاوير MRI است، همه اين نتايج نشان مي‌دهد كه با پيشرفت در هوش مصنوعي، نحوه نظارت و تشخيص بيماران ام اس مي‌تواند تغيير كند. با اين حال، چالش‌هاي متعددي از جمله درك بهتر اطلاعات انتخاب‌شده توسط الگوريتم‌هاي هوش مصنوعي، اعتبارسنجي چند مركزي و طولي مناسب نتايج، و جنبه‌هاي عملي مربوط به يكپارچه‌سازي سخت‌افزار و نرم‌افزار باقي مانده است. به طور كلي اهميت حياتي نظارت انساني براي بهينه‌سازي و استفاده كامل از پتانسيل رويكردهاي هوش مصنوعي را نمي توان ناديده گرفت.