اخبار هوش مصنوعی در پزشکی | هفتهٔ ۲۵ مهر ۱۴۰۵

📰 اخبار هوش مصنوعی در پزشکی
مهم‌ترین رویدادهای هفته در حوزهٔ هوش مصنوعی پزشکی و رادیولوژی؛ از نخستین تأییدیهٔ FDA برای پیش‌بینی عود سرطان پستان تا هوش مصنوعی «قابل راستی‌آزمایی» در تصویربرداری.
—
1️⃣ تأییدیهٔ FDA برای نخستین نرم‌افزار هوش مصنوعیِ پیش‌بینی عود سرطان پستان بر مبنای MRI
شرکت SimBioSys مجوز 510(k) سازمان غذا و داروی آمریکا را برای نرم‌افزار TumorSight Risk دریافت کرد؛ نخستین ابزار هوش مصنوعیِ تأییدشده که با تحلیل MRI پستان، یافته‌های بالینی و پاتولوژی، ریسک عود سرطان پستان را در ۵ و ۱۰ سال آینده پیش‌بینی می‌کند. این نرم‌افزار با مدل‌سازی فضایی ویژگی‌های تومور، نمره‌ای بین ۰ تا ۱۰۰ ارائه می‌دهد و بیماران HR+/HER2- مرحلهٔ I تا IIIA را در سه دستهٔ ریسک پایین، متوسط و بالا طبقه‌بندی می‌کند. در اعتبارسنجی چندمرکزی روی بیش از ۲۱۰۰ بیمار، هر ۱۰ نمره افزایش با ۲۲٪ افزایش نسبی ریسک عود همراه بود.
🔑 هوش مصنوعی از تشخیص وارد پیش‌آگهی شد؛ پیش‌بینی عود بر مبنای MRI می‌تواند تصمیم دربارهٔ شیمی‌درمانی و ادامهٔ درمان هورمونی را شخصی‌سازی کند.
🔗 Diagnostic Imaging
—
2️⃣ دیتاست عمومی ReXGroundingCT؛ هوش مصنوعی‌ای که «جای یافته» را نشان می‌دهد
تیمی به سرپرستی Pranav Rajpurkar از هاروارد نخستین دیتاست عمومی را منتشر کرد که توصیفات متنی گزارش رادیولوژی را به مختصات دقیق در CT قفسهٔ سینه پیوند می‌زند. این پژوهشِ منتشرشده در NEJM AI، حاصل علامت‌گذاری دستی بیش از ۱۶٬۰۰۰ آنومالی در ۳٬۱۴۲ اسکن CT است که هرکدام توسط رادیولوژیست تأیید شدند. هدف، آموزش مدل‌هایی است که نه‌تنها یافته را توصیف کنند، بلکه محل دقیق آن را روی اسکن مشخص کنند تا هر خروجی هوش مصنوعی برای پزشک قابل راستی‌آزمایی باشد.
🔑 نسل بعدی ابزارهای گزارش‌نویسی باید «سند تصویری» هر ادعایشان را ارائه دهند؛ این دیتاست، معیار تازه‌ای برای چنین مدل‌هایی تعریف می‌کند.
🔗 Medical Xpress
—
3️⃣ نه رادیولوژیست، نه هوش مصنوعی: تصاویر جعلی قفسهٔ سینه قابل تشخیص نیستند
مطالعه‌ای از دانشگاه ملی سئول که در Journal of Imaging Informatics in Medicine منتشر شد، نشان داد نه رادیولوژیست‌ها و نه مدل‌های زبانی بزرگ نمی‌توانند با اطمینان تصاویر مصنوعی قفسهٔ سینهٔ تولیدشده با هوش مصنوعی را از واقعی تشخیص دهند. در آزمون ۱۶۰ تصویر، بهترین عملکردها (Gemini 3.5 Flash با ۷۷٫۹٪ و یک رادیولوژیست با ۷۵٫۸٪ دقت متعادل) اختلاف معناداری نداشتند و توافق ارزیاب‌ها ضعیف بود. نویسندگان راه‌حل را واترمارک رمزنگاری‌شده و اعتبارسنجی مبدأ تصویر دانستند.
🔑 با گسترش استفاده از تصاویر مصنوعی در آموزش مدل‌ها، تضمین اصالت داده‌ها به موضوع حکمرانی داده تبدیل شده است؛ بازبینی چشمی به‌تنهایی کافی نیست.
🔗 AuntMinnie
—
➖➖➖➖➖➖➖➖➖➖➖

🎗️ در انجمن رادیولوژی شبکهٔ نخبگان ایران با ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
⚙️️ Insta Channel (Board) 🆕
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet

#هوش_مصنوعی #AI #رادیولوژی #اخبار_پزشکی