ماژول سکته‌ی مغزی

MRI بیمار را بکشید و رها کنید؛ تحلیل روی همان رایانه انجام می‌شود

صفحه‌ی بخش سکته، فهرست بیماران بخش را کنار سه زبانه نشان می‌دهد: نمایشگر MRI، خروجی‌های هوش مصنوعی و گزارش نهایی. مدل StrokeDetector روی تصاویر DWI و ADC اجرا می‌شود و خروجی آن تا تأیید رادیولوژیست پیش‌نویس می‌ماند.

DWI · ADC · FLAIR شناسایی از برچسب DICOM ۵ خروجی هوش مصنوعی ۰٫۵ میلیون پارامتر مدل ۱۸+ فقط بزرگسالان

نمایشگر MRI

نمایشگر تنها راه ورود تصاویر MRI است و برای کار روزانه‌ی رادیولوژیست طراحی شده است:

  • ورود پوشه‌ی کامل DICOM با کشیدن و رها کردن. سری‌ها فهرست می‌شوند و پیکسل‌ها فقط هنگام نیاز بارگذاری می‌شوند.
  • شناسایی توالی از برچسب‌های DICOM، نه از نام سری. سری‌های دیفیوژن بر اساس مقدار b جدا می‌شوند و DWI، ADC و FLAIR خودکار شناخته می‌شوند.
  • ابزارهای معمول: پنجره‌بندی (Window/Level)، بزرگ‌نمایی، جابه‌جایی، اندازه‌گیری، نماهای همگام و پیمایش برش‌ها.
  • بازسازی چندصفحه‌ای (MPR)، MIP سه‌بعدی و رندر حجمی با کارت گرافیک، با تابع انتقال، صفحه‌ی برش ثابت در فضای بیمار و مکعب جهت‌نما.
  • ماسک و کادر ضایعه که مدل پیدا کرده، بر اساس مختصات فضایی روی تصاویر رسم می‌شوند.
صفحه‌ی بخش سکته. فهرست بیماران بخش، نوار ابزار نمایشگر و ناحیه‌ی رها کردن پوشه‌ی MRI. تصاویر بیماران به دلیل حریم خصوصی در این سایت نمایش داده نمی‌شوند.

مدل StrokeDetector

StrokeDetector یک مدل یادگیری عمیق متن‌باز (مجوز MIT) از Debina Laishram است که برای مکان‌یابی سکته‌ی ایسکمیک حاد، تعیین زیرنوع و تخمین حجم انفارکت از روی DWI و نقشه‌ی ADC ساخته شده است. بالین نسخه‌ی v0.1.1 آن را بدون تغییر در منطق تشخیص اجرا می‌کند.

  • آموزش سه‌مرحله‌ای: پیش‌آموزش بخش‌بندی، تنظیم دقیق برای تشخیص، و سر تعیین وجود ضایعه.
  • سبک: حدود ۰٫۵ میلیون پارامتر، با GroupNorm، برای سخت‌افزاری با ۴ گیگابایت حافظه‌ی گرافیک طراحی شده است. در بالین روی پردازنده‌ی معمولی و بدون کارت گرافیک اجرا می‌شود.
  • ورودی: فقط DWI و ADC. FLAIR کنار گذاشته شده چون در ساعت‌های اول سکته، ایسکمی حاد را قابل اعتماد نشان نمی‌دهد.
  • داده‌ی آموزش: مجموعه‌ی عمومی ISLES-2022 با DWI در b=1000. اگر DWI بیمار b=1000 نداشته باشد، بالین پیش از تحلیل هشدار می‌دهد.
  • فضای تصویر: خروجی‌ها در فضای خود تصویر بیمار‌اند و نیازی به هم‌ثبتی (registration) ندارند.

مرحله‌ی تبدیل DICOM به NIfTI را بالین با dcm2niix انجام می‌دهد، چون کد منتشرشده‌ی مدل فقط NIfTI می‌خواند. فایل وزن‌های مدل با چکیده‌ی SHA-256 ثبت شده است و موتور با هر فایل دیگری اجرا نمی‌شود.

پنج خروجی

هر خروجی یک کارت دارد که با کلیک، در پنجره‌ای بزرگ‌تر باز می‌شود. کنار هر کدام، هشداری که برای تفسیر درست لازم است نوشته شده است:

خروجیآنچه نشان می‌دهدهشدار همراه
وجود سکتهمثبت یا منفی، بر اساس امتیاز تشخیص و حداقل حجم ضایعهعدد «احتمال وجود» در تصمیم مثبت یا منفی نقشی ندارد و همین در گزارش نوشته می‌شود
محل ضایعهمرکز و کادر ضایعهمختصات با برچسب «فضای مدل»
زیرنوعکانونی، چندقلمرویی، آمبولیک یا منفیخروجی اکتشافی؛ دقت حدود ۳۶٪ در مقاله‌ی مدل
مرز ضایعهماسک بخش‌بندی و کادر، روی تصاویر DWIبرای بازبینی چشمی رادیولوژیست
حجم ضایعهبه میلی‌لیتر، از DWI، ADC و ترکیب آن‌هاپنج عدد حجم، یک اندازه‌گیری‌اند؛ اگر محاسبه ممکن نباشد «قابل محاسبه نیست»
خروجی‌های هوش مصنوعی. هشدار دائمی بالای صفحه، ورودی تحلیل و کارت‌های خروجی. اعداد این تصویر از خروجی ساختگی آزمون‌های نرم‌افزار است، نه از بیمار واقعی.

عملکرد منتشرشده‌ی مدل

این ارقام را نویسنده‌ی مدل منتشر کرده است. بالین آن‌ها را بی‌کم‌وکاست نقل می‌کند، چون پزشک باید پیش از استفاده بداند مدل کجا قوی و کجا ضعیف است.

سنجهمقدارداده
حساسیت۰٫۹۰۵۳۶ بیمار جداشده از ISLES-2022 (تقسیم خود نویسنده، نه مجموعه‌ی آزمون رسمی چالش)
ویژگی۰٫۲۰۰
میانگین Dice، موارد مثبت۰٫۶۳۴
mAP@0.2–0.5۰٫۷۹۸
دقت زیرنوع۳۶٪
نرخ تشخیص۳۴ از ۳۶اعتبارسنجی خارجی، ISLES 2015 SISS، فقط DWI
ویژگی پایین استویژگی ۰٫۲ یعنی در بسیاری از بیماران بدون سکته هم نتیجه‌ی مثبت دیده می‌شود. نتیجه‌ی منفی هم سکته را رد نمی‌کند. این هشدار به صورت دائم در صفحه‌ی خروجی‌ها و در گزارش نمایش داده می‌شود و پزشکان پیش از شروع پایلوت از آن آگاه می‌شوند.

دو اصلاح که بیمارستان تأیید کرد

پیش از ساخت ماژول، کد منتشرشده را عیناً روی داده‌ی بیمارستانی اجرا کردیم و دو ایراد پیدا کردیم. قاعده‌ی بیمارستان این بود که مدل همان‌طور که منتشر شده اجرا شود؛ برای همین هر دو اصلاح پس از توضیح کتبی و با تأیید بیمارستان (۲۳ آبان ۱۴۰۵) اعمال شدند. فایل‌های مدل دست‌نخورده‌اند و اصلاح‌ها هنگام اجرا جایگزین دو تابع می‌شوند.

۱. کندی بدون دلیل

خود شبکه در کسری از ثانیه اجرا می‌شد، اما مرحله‌ی حذف کادرهای هم‌پوشان (NMS) میان هزاران کادر پیشنهادی بیش از یک دقیقه طول می‌کشید؛ در حالی که در پایان فقط کادر با بالاترین امتیاز استفاده می‌شود. برداشتن مستقیم همین کادر، خروجی را بایت‌به‌بایت یکسان نگه داشت و زمان هر بیمار را از حدود ۸۵ ثانیه به حدود ۴ ثانیه رساند.

۲. جابه‌جایی DWI نسبت به ADC

مدل ورودی را در مکعبی ثابت می‌بیند و کد منتشرشده مرکز این مکعب را برای DWI و ADC جداگانه از روی پیکسل‌های غیرصفر حساب می‌کند. وقتی پس‌زمینه‌ی DWI نویز دارد و پس‌زمینه‌ی ADC صفر است، دو تصویری که باید روی هم باشند تا ۱۵ میلی‌متر جابه‌جا به مدل می‌رسند و مدل DWI یک نقطه‌ی مغز را کنار ADC نقطه‌ی دیگری می‌بیند. اصلاح، هر دو تصویر را از یک نقطه‌ی فضایی برش می‌دهد. این اصلاح تعداد زیادی از نتایج مثبت کاذب را حذف کرد، اما ویژگی پایین مدل را که در مقاله هم گزارش شده است برطرف نمی‌کند.

محافظ‌ها

  • فقط بزرگسالان. سن بیمار دو بار بررسی می‌شود: یک بار از پرونده در نرم‌افزار و یک بار از برچسب سن در DICOM. تصاویر بیماران زیر ۱۸ سال تحلیل نمی‌شوند و نرم‌افزار دلیل آن را می‌گوید.
  • هشدار مقدار b. اگر DWI مقدار b=1000 نداشته باشد، پیش از تحلیل هشدار داده می‌شود.
  • ورودی ناقص. فقط DWI یا فقط ADC هم پذیرفته می‌شود و نوع ورودی در گزارش ثبت می‌شود.
  • آستانه‌های قابل تنظیم. امتیاز تشخیص، آستانه‌ی ماسک و حداقل حجم ضایعه (پیش‌فرض ۰٫۱۵ میلی‌لیتر) در تنظیمات پیشرفته‌ی ماژول‌اند.

گزارش نهایی و تأیید رادیولوژیست

گزارش یک صفحه‌ی A4 فارسی است: مشخصات بیمار از پرونده، مشخصات فنی سری‌های DWI و ADC، پنج خروجی مدل با هشدارهای لازم، تصاویر کوچک DWI با ماسک و کادر ضایعه، و هشدار پایانی.

رادیولوژیست یکی از سه نظر را ثبت می‌کند: تأیید کامل، تأیید با اصلاحات، یا رد خروجی هوش مصنوعی. دو گزینه‌ی آخر کادر توضیحات را باز می‌کنند که با دیکته‌ی صوتی هم پر می‌شود. گزارش تا تأیید پیش‌نویس است؛ پس از آن با نام، تاریخ و ساعت مُهر «تأیید نهایی» می‌خورد. چاپ، ذخیره‌ی PDF و اشتراک از نوار ابزار گزارش انجام می‌شود.

گزارش عملکرد پایلوت

از تنظیمات ماژول می‌توان نظر رادیولوژیست‌ها درباره‌ی خروجی مدل را شمارش کرد: چند گزارش تأیید کامل، چند گزارش با اصلاح و چند گزارش رد شده‌اند. خلاصه و یک فایل CSV جزئی ذخیره می‌شود تا بیمارستان عملکرد مدل را روی بیماران خودش بسنجد، نه فقط روی داده‌ی مقاله.

بالین را در بخش خودتان ببینید

در جلسه‌ی دمو یک پذیرش کامل را اجرا می‌کنیم، یک نوار قلب بی‌نام از بخش شما را تفسیر می‌کنیم و شرایط اجرای پایلوت را با هم مرور می‌کنیم.