ทีมนักวิจัยที่รวมทีมระดับท็อปของสถาบันในสายการแพทย์ในโลกได้สร้างระบบ deep learning
ที่สามารถตรวจจับโรคมัลติเพิล สเคลอโรซิส (multiple sclerosis : MS) หรือโรคที่เกิดจากการอักเสบของปลอกประสาทในระบบประสาทส่วนกลาง ได้อัตโนมัติในไขสันหลังด้วยข้อมูลภาพ MRI แบบดั้งเดิม
โรคเอ็มเอสเป็นโรคภูมิคุ้มกันเรื้อรังของระบบประสาทส่วนกลาง ซึ่งปรากฏในส่วนของสมองและไขสันหลัง โดยจะมีอาการเส้นประสาทอักเสทเรื้อรังเกิดขึ้นด้วย ในการวินิจฉัยโรคและติดตามอาการ แพทย์และนักรังสีวิทยาจะใช้ภาพ MRI ในการตรวจจับรอยโรค ซึ่งเป็นขั้นตอนที่ต้องใช้เวลาเยอะมากและยังต้องกดดันเพราะมีรูปแบบความเป็นไปได้ที่หลากหลาย
งานวิจัยนี้ดำเนินการโดยมหาวิทยาลัยมอนทริออล (University of Montreal) โรงพยาบาลทั่วไปแห่งซานฟรานซิสโก (San Francisco General Hospital) โรงพยาบาลทั่วไปแมสซาชูเซตส์ (Massachusetts General Hospital) สถาบันสุขภาพแห่งชาติ (National Institute of Health : NIH) มหาวิทยาลัยแสตนฟอร์ด (Stanford University) มหาวิทยาลัยแวนเดอร์บิลท์ (Vanderbilt University) โรงเรียนแพทย์ฮาร์เวิร์ด (Harvard Medical School) และอีกหลายสถาบัน จึงทำให้มีศักยภาพในการทำให้เรื่องการตรวจจับโรคเอ็มเอสและติดตามได้พัฒนาขึ้นมาอย่างรวดเร็ว
โดยทีมนักวิจัยใช้วิธีการสร้างระบบโครงข่ายประสาทเทียม (Neural Network) บนเฟรมเวิร์ก Keras และ TensorFlow โดยใช้ Convolutional Neural Network เทรนกับภาพ MRI จากผู้ป่วย 1,042 คน เพื่อทำให้สามารถตรวจจับรอยโรคในไขสันหลังได้อัตโนมัติ
“การแบ่งส่วนของไขสันหลังกับแผลจากภาพ MRI นั้นเป็นการให้ข้อมูลเพื่อวัดความฝ่อและรอยโรค ซึ่งจะเป็นเงื่อนไขสำคัญในการวินิจฉัย ทำนาย และวิเคราะห์ตามยาวในโรคเอ็มเอส ซึ่งการแบ่งส่วนในข้อมูลไขสันหลังในหลายๆ ภาพให้สำเร็จและมีความน่าเชื่อถือได้ด้วยสภาพที่ทนทาน (robust) นั้นเป็นสิ่งที่ท้าทาย เนื่องจากมีความหลากหลายแบบมหาศาลที่เกี่ยวข้องกับตัวแปรที่ได้รับมาและสิ่งแปลกปลอมในภาพ ซึ่งยังคงต้องการ tool ที่จะช่วยแบ่งส่วนได้อัตโนมัติและมีควาทนทานในการแยกแยะระหว่างไขสันหลังกับรอยโรคเอ็มเอส” นักวิจัยเขียนในงานวิจัยของพวกเขา
โดยผลลัพธ์จากงานวิจัยการแบ่งส่วนเพื่อหาไขสันหลังนั้นได้ผลลัพธ์ที่ดีที่สุดในปัจจุบัน โดยถือเป็นวิธี state-of-the-art อีกทั้งการตัดหารอยโรคอื่นๆ ก็ยังได้ผลลัพธ์อยู่ช่วยที่เทียบเท่ากับความสามารถของมนุษย์ได้
“เมื่อเปรียบเทียบด้วยวิธีการแบ่งส่วนที่เป็น state-of-the-art (PropSeg) แล้ว พบว่าวิธีการโดยใช้ CNN ของพวกเราแสดงให้เห็นค่าเฉลี่ยมัธยฐาน Dice ได้ 95% เมื่อเทียบกับวิธี PropSeg ได้ 88% และเมื่อเปรียบเทียบกับการแบ่งส่วนรอยโรคระหว่างเฟรมเวิร์กของเรากับการใช้คนมาแยกแยะ พบว่าสามารถตรวจจับรอยโรคด้วยค่า sensitivity 83% มีความแม่นยำ 77%”
โดยงานวิจัยได้เปิดเผยตีพิมพ์ที่ ArXiv เมื่อต้นเดือนที่ผ่านมา สามารถอ่านรายละเอียดเพิ่มเติมได้ที่นี่
Source : https://news.developer.nvidia.com/ai-helps-doctors-detect-ms-in-the-spinal-cord/
