آقای محمد امین شهرام مجری طرح تحقیقاتی با عنوان " ارزیابی عملکرد الگوریتم یادگیری عمیق در افتراق پلاک های فعال ام اس از پلاک های غیر فعال در تصاویر تشدید مغناطیسی " درگفتگو با روابط عمومی دانشگاه به تشریح این طرح پرداخت

باتشکر از جناب عالی  با معرفی خود در مورد حوزه ی فعالیت و سوابق علمی پژوهشی ، اجرایی خو د توضیح بفرمایید:

اینجانب محمدامین شهرام عضو هیئت علمی گروه فیزیک پزشکی و علوم پرتوی دانشگاه علوم پزشکی سبزوار می باشم و سابقه فعالیت آموزشی و پژوهشی در حوزه‌های تصویربرداری پزشکی، پردازش تصویر و هوش مصنوعی دارم. زمینه‌های تخصصی شامل یادگیری ماشین و یادگیری عمیق، تحلیل کمی تصاویر MRI، طراحی مدل‌های هوش مصنوعی و توسعه سامانه‌های هوشمند کمک‌تشخیصی برای تشخیص و پایش بیماری‌ها است. طی سال‌های اخیر، اجرای چندین طرح تحقیقاتی در حوزه‌های رادیولوژی، علوم اعصاب و کاربردهای هوش مصنوعی در تصویربرداری پزشکی در دستور کار قرار داشته است.

خروجی این فعالیت‌ها به انتشار مقالات علمی متعددی در مجلات معتبر بین‌المللی منجر شده است. برخی از این مقالات عبارت‌اند از:

·         Deep Learning for Differentiating Active and Inactive Multiple Sclerosis Plaques: A Comparative Analysis of MRI‐Based Classification Models

·        
Automatic Diagnosis of Autism Spectrum Disorders in Children through Resting-State Functional Magnetic Resonance Imaging with Machine Vision

·        
Automated glioblastoma patient classification using hypoxia levels measured through magnetic resonance images

·        
Altered resting-state functional connectivity of the brain in children with autism spectrum disorder

 

همکاری نزدیک با مراکز تصویربرداری پزشکی، فعالیت در توسعه مدل‌های یادگیری ماشین و مشارکت در پروژه‌های مرتبط با فناوری‌های تشخیصی پیشرفته از سایر حوزه‌های کاری اینجانب به شمار می‌رود.

 دلیل اصلی شما برای انتخاب این پژوهش جه بوده و چه کسانی دراین تحقیق شما رایاری کردند؟

دلیل اصلی انتخاب این پژوهش نیاز بالینی برای تشخیص غیرتهاجمی پلاک‌های فعال و غیرفعال MS بدون استفاده از مواد حاجب بود. در بسیاری از بیماران، تزریق گادولینیوم با خطرات احتمالی مانند نفروپاتی، رسوب در بافت‌ها و افزایش زمان تصویربرداری همراه است. هدف این بود که بتوان با کمک یادگیری عمیق، همان دقت تشخیصی را تنها از MRI بدون تزریق به‌دست آورد. در این طرح از همکاری متخصصان مغز و اعصاب، رادیولوژیست، فیزیک پزشکی، و کارشناسان MRI بهره‌مند شدم. همکاران من در این طرح خانم دکتر عاطفه رستمی، آقای دکتر مصطفی رباط جزی ، آقای دکتر وحید شهمایی ،آقای دکتر محمد سالاری و آقای دکترررامین شهرآئینی بودند.

پژوهش تان رامعرفی کرده و با معرفی ویژگی ها و نوآوری ها درخصوص موضوعات و محورهای آن توضیح دهید: در این پژوهش از تصاویر MRI شامل T1، T2، FLAIR و T1+Gd مربوط به ۱۰۶ بیمار مبتلا به MS استفاده شد و مجموعاً ۳۴۱۰ پلاک (۱۴۰۸ فعال و ۲۰۰۲ غیرفعال) مورد بررسی قرار گرفت. پس از سگمنتیشن پلاک‌ها، تصاویر پیش پردازش گردید و با استفاده از یک مدل CNN اختصاصی یادگیری عمیق و چهار مدل از پیش‌آموزش‌دیده (ResNet50، VGG16، DenseNet121 و EfficientNetB0) طبقه‌بندی شدند.

درمورد نوآوری‌های پژوهش می توان به موارد زیراشاره کرد:

·         حذف نیاز به تزریق ماده حاجب در تشخیص پلاک‌های فعال

·         طراحی یک مدل CNN سفارشی متناسب با داده‌های ایرانی

·         مقایسه سیستماتیک چندین مدل مطرح یادگیری عمیق

·         بالاترین دقت ثبت‌شده در FLAIR بدون تزریق (۹۰.۱۵٪، AUC=۹۴.۶۷٪)

·         ارائه مسیر امن‌تر، سریع‌تر و کم‌ هزینه‌تر برای پایش بیماری MS

آیا این پژوهش به مرحله اجرا و یا بهره برداری درآمده است  ؟

بخش تحقیقاتی به‌طور کامل اجرا و نتایج آن منتشر شده است. استفاده بالینی از مدل در مرحله طراحی عملیاتی است و در صورت فراهم شدن زیرساخت نرم‌افزاری و بودجه لازم برای ساخت نرم افزار در مراکز تصویربرداری، امکان پیاده‌سازی آن در قالب یک سیستم کمک‌تشخیصی  وجود دارد.

این طرح پژوهشی چه گره ای از مشکلات مردم باز خواهد کرد؟

 این طرح می‌تواند نیاز به تزریق گادولینیوم را در بسیاری از بیماران مبتلا به MS کاهش دهد. این موضوع مزایای مهمی دارد

·         کاهش خطرات احتمالی ماده حاجب

·         مناسب برای بیماران دچار مشکلات کلیوی یا حساسیت

·         کاهش هزینه‌های تصویربرداری

·         کاهش زمان انجام MRI

·         افزایش دقت تشخیص و پایش بیماری بدون اقدامات تهاجمی

·         در نتیجه، بیماران به‌صورت ایمن‌تر، سریع‌تر و با کیفیت بالاتر تحت پایش قرار می‌گیرند.

درمورد خروجی ها ودستاوردهای طرح توضیح دهید:

مهم‌ترین خروجی این طرح انتشار مقاله علمی در مجله ISI  : International Journal of Imaging Systems and Technology

از دستاوردهای پژوهش می‌توان به طراحی یک مدل CNN اختصاصی، ایجاد بانک داده اولیه پلاک‌های فعال/غیرفعال MS، و ارائه چارچوب جدیدی برای تشخیص غیربرخوردکننده پلاک‌ها اشاره کرد. نتایج پژوهش قابلیت تبدیل به نرم‌افزار کلینیکی یا یک سیستم هوشمند کمک‌تشخیصی را دارد.

انتظار شما از مسئولین در زمینه حمایت و یا توسعه فعالیتها ی مشابه چیست و چه راهکارهایی پیشنهاد میکنید؟

توسعه این‌گونه طرح‌ها نیازمند حمایت مالی و فراهم‌سازی زیرساخت‌های محاسباتی در مراکز درمانی است. پیشنهاد می‌شود:

1.      فراهم کردن GPU و سرورهای پردازشی برای پژوهشگران

2.      حمایت از تبدیل تحقیقات به محصول نرم‌افزاری و تجاری‌سازی

3.      همکاری میان مراکز تصویربرداری و گروه‌های فیزیک پزشکی

4.      تأمین بودجه برای ادامه ثبت داده‌های بیماران در مطالعات طولی

با این حمایت‌ها می‌توان طرح را به مرحله بهره‌برداری بالینی رساند.

اگر توضیحی درخصوص برنامه ها و اهداف آینده تان دارید بفرمایید :

در ادامه قصد دارم نسخه توسعه‌یافته مدل را طراحی کنم که علاوه بر طبقه‌بندی پلاک‌ها، بتواند به‌صورت کاملاً خودکار نواحی پلاک را نیز در MRI سگمنت کند و پیش‌بینی روند پیشرفت بیماری را انجام دهد. همچنین ترکیب ویژگی‌های بالینی بیماران با تصاویر MRI برای افزایش دقت مدل در برنامه پژوهشی آینده قرار دارد.

از فرصتی که دراختیار ما قراردادید متشکرم .