به گزارش روابط‌عمومی دانشکده داروسازی دانشگاه علوم پزشکی تهران، سمینار تخصصی گروه‌سازی دارو هسته‌ای روز 3 اسفند ماه 1404 با ارائه دکتر سارا طلوعی، دستیار تخصصی این گروه و با عنوان « Transformation of PET/CT Imaging by Artificial Intelligence: Dose Reduction, Image Quality Enhancement, and Clinical Implications» (تحول در تصویر برداری PET/CT با بهره گیری از هوش مصنوعی کاهش دوز ارتقای کیفیت تصویر و پیامدهای بالینی) برگزار شد.

چکیده این سمینار به شرح زیر است:

در این نشست علمی، تازه‌ترین دستاوردها و کاربردهای هوش مصنوعی در تصویربرداری پزشکی، به‌ویژه در حوزه PET/CT، مورد بررسی قرار گرفت؛ فناوری‌ای که طی سال‌های اخیر به یکی از ابزارهای کلیدی در تشخیص، مرحله‌بندی بیماری‌ها و ارزیابی پاسخ به درمان، به‌ویژه در بیماران مبتلا به سرطان، تبدیل شده است.

دکتر طلوعی با اشاره به تحولات سریع هوش مصنوعی در پزشکی، اظهار کرد که فناوری‌های نوین مبتنی بر یادگیری ماشین و یادگیری عمیق، افق‌های تازه‌ای را برای افزایش دقت تشخیصی و بهبود کیفیت تصاویر پزشکی گشوده‌اند. وی افزود که یکی از مهم‌ترین رویکردهای نوظهور در این حوزه، رادیومیکس (Radiomics) است که با استخراج ویژگی‌های کمی و پنهان از تصاویر پزشکی، امکان تحلیل دقیق‌تر ویژگی‌های زیستی و ناهمگنی تومورها را فراهم می‌کند.

در ادامه این سمینار، نقش الگوریتم‌های یادگیری ماشین و یادگیری عمیق در پردازش تصاویر PET/CT تشریح شد. به گفته ارائه‌دهنده، این فناوری‌ها قادرند کیفیت تصاویر را حتی در شرایط استفاده از دوزهای پایین‌تر رادیودارو حفظ یا ارتقا دهند؛ موضوعی که می‌تواند ضمن کاهش مواجهه بیماران با پرتوهای یونیزان، ایمنی روش‌های تصویربرداری را افزایش دهد.

وی همچنین به نتایج مطالعات اخیر در زمینه ادغام هوش مصنوعی با تصویربرداری PET/CT اشاره کرد و گفت که این رویکردها توانسته‌اند دقت تشخیص، پیش‌بینی پاسخ به درمان و ارزیابی پیش‌آگهی بیماران را به شکل قابل‌توجهی بهبود بخشند. این پیشرفت‌ها به‌ویژه در برخی بدخیمی‌ها از جمله سرطان ریه و مالتیپل میلوما، محدودیت‌های ارزیابی بصری سنتی را کاهش داده و امکان شناسایی دقیق‌تر ضایعات را فراهم کرده‌اند.

دکتر طلوعی در بخش دیگری از سخنان خود به کاربرد الگوریتم‌های یادگیری عمیق در تشخیص خودکار ضایعات و ارزیابی درگیری مغز استخوان اشاره کرد و این فناوری‌ها را گامی مهم در مسیر توسعه سامانه‌های تشخیصی هوشمند دانست.

با وجود دستاوردهای چشمگیر، وی بر ضرورت رفع چالش‌هایی نظیر استانداردسازی داده‌ها، یکپارچه‌سازی پروتکل‌های تصویربرداری و انجام مطالعات چندمرکزی برای اعتبارسنجی نتایج تأکید کرد و این موارد را از الزامات توسعه و کاربرد گسترده‌تر هوش مصنوعی در پزشکی هسته‌ای برشمرد.

در پایان این سمینار، بر این نکته تأکید شد که ادغام هوش مصنوعی با تصویربرداری PET/CT نه‌تنها موجب ارتقای کیفیت تشخیص و درمان می‌شود، بلکه گامی مؤثر در تحقق پزشکی دقیق، تشخیص زودهنگام بیماری‌ها و تصمیم‌گیری درمانی مبتنی بر داده به شمار می‌رود؛ رویکردی که آینده پزشکی هسته‌ای و تصویربرداری مولکولی را متحول خواهد کرد.