پزشکی هستهای طی دهههای اخیر به یکی از ارکان اصلی تشخیص و درمان بسیاری از بیماریها، بهویژه بیماریهای قلبی، سرطانها و اختلالات عصبی تبدیل شده است. در میان روشهای تصویربرداری این حوزه، Single Photon Emission Computed Tomography (SPECT) جایگاه ویژهای دارد و روزانه هزاران بیمار در سراسر جهان تحت این نوع تصویربرداری قرار میگیرند.
با وجود پیشرفتهای سختافزاری، تصویربرداری SPECT همچنان با چالشهایی مانند زمان نسبتاً طولانی اسکن، نویز تصویر، محدودیت وضوح فضایی، حرکت بیمار و وابستگی کیفیت تصویر به میزان شمارش فوتونها مواجه است. این محدودیتها نهتنها بر کیفیت تشخیص تأثیر میگذارند، بلکه تجربه بیمار و بهرهوری مراکز درمانی را نیز تحت تأثیر قرار میدهند.
در سالهای اخیر، ظهور هوش مصنوعی و بهویژه یادگیری عمیق، چشمانداز تازهای برای رفع این چالشها ایجاد کرده است. فناوریای که دیگر صرفاً یک ابزار کمکی نیست، بلکه در حال تبدیل شدن به بخشی جداییناپذیر از فرایند تصویربرداری پزشکی است.
در تصویربرداری SPECT، ابتدا یک رادیوداروی مناسب به بیمار تزریق میشود. این ماده پس از تجمع در اندام هدف، فوتونهای گاما منتشر میکند. دوربین گاما این فوتونها را از زوایای مختلف ثبت کرده و با استفاده از الگوریتمهای بازسازی، تصاویر سهبعدی از توزیع رادیودارو ایجاد میشود.
این تصاویر اطلاعات عملکردی ارزشمندی درباره اندامها ارائه میدهند؛ اطلاعاتی که در بسیاری از موارد از تصویربرداریهای آناتومیک مانند CT یا MRI قابل دستیابی نیست.
با وجود مزایای فراوان، تصویربرداری SPECT هنوز با مشکلات مهمی روبهرو است:
زمان نسبتاً طولانی تصویربرداری
ایجاد نویز در تصاویر
کاهش وضوح در شمارشهای پایین
حرکت بیمار هنگام اسکن
کاهش همکاری سالمندان و کودکان
افزایش احتمال تکرار اسکن
محدودیت تعداد بیماران قابل پذیرش در روز
این چالشها سالها پژوهشگران را به دنبال راهکارهای نوین سوق دادهاند.
هوش مصنوعی با بهرهگیری از میلیونها پارامتر قابل آموزش میتواند الگوهایی را شناسایی کند که تشخیص آنها برای انسان بسیار دشوار است.
در تصویربرداری پزشکی، شبکههای عصبی عمیق قادرند:
نویز تصاویر را حذف کنند.
کیفیت تصاویر را افزایش دهند.
تصاویر کمشمارش را به کیفیت تصاویر استاندارد نزدیک کنند.
ضایعات کوچک را بهتر آشکار سازند.
زمان تصویربرداری را کاهش دهند.
این پیشرفتها نویدبخش نسل جدیدی از تصویربرداری پزشکی هستند.
یکی از جذابترین کاربردهای هوش مصنوعی، کاهش زمان تصویربرداری بدون افت محسوس کیفیت تشخیصی است.
در روشهای سنتی، کاهش زمان اسکن باعث کاهش تعداد فوتونهای ثبتشده و افزایش نویز میشود. اما مدلهای یادگیری عمیق میتوانند تصاویر حاصل از اسکن کوتاهتر را پردازش کرده و کیفیت آنها را به تصاویر استاندارد نزدیک کنند.
مزایای این رویکرد عبارتاند از:
افزایش راحتی بیمار
کاهش حرکت بیمار
کاهش احتمال تکرار تصویربرداری
افزایش ظرفیت مراکز پزشکی هستهای
کاهش زمان انتظار بیماران
این موضوع بهویژه در بیماران قلبی، سالمندان و کودکان اهمیت زیادی دارد.
کیفیت تصویر، مهمترین عامل در تشخیص صحیح بیماری است.
هوش مصنوعی میتواند:
نویز را کاهش دهد.
کنتراست تصویر را بهبود بخشد.
مرز ضایعات را واضحتر نشان دهد.
ساختارهای کوچک را بهتر آشکار کند.
در نتیجه پزشک با اطمینان بیشتری تصمیمگیری خواهد کرد.
بازسازی تصاویر یکی از پیچیدهترین مراحل تصویربرداری SPECT است.
روشهای کلاسیک مانند:
Filtered Back Projection
OSEM
سالها استاندارد بودند.
امروزه شبکههای عصبی کانولوشنی (CNN) و مدلهای پیشرفته یادگیری عمیق میتوانند این فرایند را با کیفیت بالاتر و سرعت بیشتر تکمیل کنند.
بیماریهای قلبی همچنان یکی از مهمترین علل مرگومیر در جهان هستند.
تصویربرداری پرفیوژن میوکارد با SPECT نقش اساسی در ارزیابی:
ایسکمی
انفارکتوس
زندهمانی عضله قلب
دارد.
هوش مصنوعی میتواند در تشخیص نقصهای پرفیوژن، تحلیل خودکار تصاویر و کاهش خطای انسانی نقش مؤثری ایفا کند.
در بیماریهایی مانند:
آلزایمر
پارکینسون
دمانس
صرع
تصاویر SPECT اطلاعات ارزشمندی از عملکرد مغز ارائه میکنند.
هوش مصنوعی قادر است تغییرات بسیار ظریف را پیش از آنکه برای چشم انسان آشکار شوند شناسایی کند.
در پزشکی هستهای انکولوژی نیز هوش مصنوعی در حال گسترش است.
این فناوری میتواند:
پاسخ به درمان را ارزیابی کند.
حجم تومور را دقیقتر اندازهگیری کند.
تصاویر را استانداردسازی کند.
به برنامهریزی درمان کمک نماید.
کاهش زمان اسکن تنها به نفع بیمار نیست.
برای مراکز تصویربرداری نیز مزایای فراوانی دارد:
پذیرش بیماران بیشتر
کاهش صف انتظار
استفاده بهتر از تجهیزات
کاهش هزینههای عملیاتی
افزایش رضایت مراجعهکنندگان
پاسخ کوتاه، خیر است.
هوش مصنوعی ابزار تصمیمیار است، نه تصمیمگیر.
مسئولیت نهایی تفسیر تصاویر، تصمیمگیری درمانی و مدیریت بیمار همچنان بر عهده پزشکان و متخصصان پزشکی هستهای خواهد بود.
بهترین نتایج زمانی حاصل میشود که تجربه متخصص با توان پردازشی هوش مصنوعی ترکیب شود.
با وجود پیشرفتهای چشمگیر، استفاده از هوش مصنوعی با چالشهایی نیز همراه است:
نیاز به دادههای باکیفیت
حفظ حریم خصوصی بیماران
استانداردسازی الگوریتمها
اعتبارسنجی چندمرکزی
دریافت مجوزهای قانونی
اعتماد متخصصان به خروجی مدلها
رفع این چالشها مستلزم همکاری دانشگاهها، صنعت و مراکز درمانی است.
در آینده نزدیک انتظار میرود سامانههای SPECT بهصورت هوشمند عمل کنند؛ بهگونهای که:
کیفیت تصاویر را بهصورت بلادرنگ ارزیابی کنند.
حرکت بیمار را اصلاح کنند.
زمان اسکن را بهینه سازند.
پیشنهادهای تشخیصی اولیه ارائه دهند.
گزارشهای ساختاریافته تولید کنند.
این تحول میتواند دقت، سرعت و دسترسی به خدمات پزشکی هستهای را افزایش دهد.
ایران نیز ظرفیت علمی قابلتوجهی در حوزه پزشکی هستهای، مهندسی پزشکی و هوش مصنوعی دارد. توسعه مدلهای بومی، همکاری میان دانشگاهها و مراکز درمانی، و انتشار پژوهشهای باکیفیت در مجلات بینالمللی میتواند جایگاه کشور را در این حوزه ارتقا دهد.
پژوهشهایی که بر کاهش زمان تصویربرداری، افزایش کیفیت تصاویر و بهبود دقت تشخیص تمرکز دارند، میتوانند زمینهساز ورود فناوریهای نوین به مراکز درمانی کشور باشند.
هوش مصنوعی تنها یک فناوری جدید نیست؛ بلکه نقطه عطفی در تحول تصویربرداری پزشکی به شمار میرود. در تصویربرداری SPECT، این فناوری با کاهش زمان اسکن، بهبود کیفیت تصاویر، افزایش دقت تشخیص و ارتقای بهرهوری مراکز درمانی، افقهای تازهای را پیش روی متخصصان و بیماران گشوده است.
با ادامه پژوهشها، توسعه الگوریتمهای قابل اعتماد و همکاری میان متخصصان پزشکی، مهندسان و دانشمندان داده، انتظار میرود نسل آینده سیستمهای تصویربرداری پزشکی هوشمندتر، سریعتر و دقیقتر از همیشه باشند.
در نهایت، آینده پزشکی هستهای نه در رقابت میان انسان و هوش مصنوعی، بلکه در همکاری هوشمندانه میان تخصص انسانی و فناوری رقم خواهد خورد؛ همکاریای که میتواند کیفیت تشخیص، درمان و مراقبت از بیماران را به سطحی بیسابقه ارتقا دهد.
دکتر امیرحسین حاجیگل
پژوهشگر پزشکی هستهای، مهندس پرتوهای پزشکی، مدرس دانشگاه و پژوهشگر حوزه هوش مصنوعی در تصویربرداری پزشکی. حوزههای فعالیت اشامل تصویربرداری SPECT و PET، بازسازی تصاویر پزشکی، ایمنی پرتوی، هوش مصنوعی در پزشکی و ارتقای کیفیت خدمات سلامت است.
📧 Email: [email protected]
🔗 LinkedIn: https://www.linkedin.com/in/amirhossein-hajigol