ژنتیک و دادههای اُمیکس؛ مسیر پزشکی دقیق از DNA تا درمان شخصیسازیشده
08/04/2026
چرا تولید دیتاست تصویری پزشکی گران است؟ هزینه پنهان پشت هوش مصنوعی پزشکی
08/07/2026
چه انواعی از تصاویر پزشکی برای AI استفاده میشوند؟ راهنمای جامع از رادیوگرافی تا پاتولوژی دیجیتال
هوش مصنوعی از انواع تصاویر پزشکی مانند رادیوگرافی، CT، MRI، ماموگرافی، سونوگرافی، PET، تصاویر شبکیه و اسلایدهای پاتولوژی برای تشخیص، غربالگری، اندازهگیری و پیشبینی خطر استفاده میکند. در این مقاله کاربرد، مزایا و محدودیت هر نوع تصویر را علمی بررسی میکنیم.
فهرست مطالب
- چرا تصاویر پزشکی برای هوش مصنوعی مناسباند؟
- رادیوگرافی و عکس ساده
- CT و تصاویر سهبعدی
- MRI و تصویربرداری بافت نرم
- ماموگرافی و تصویربرداری پستان
- سونوگرافی
- PET، SPECT و پزشکی هستهای
- تصاویر چشم و شبکیه
- پاتولوژی دیجیتال
- تصاویر پوستی، آندوسکوپی و دندانپزشکی
- چرا ترکیب چند نوع تصویر مهم است؟
- محدودیتها و جمعبندی
- سوالات متداول
مقدمه
وقتی درباره هوش مصنوعی در تصویربرداری پزشکی صحبت میکنیم، منظور فقط تحلیل یک عکس رادیولوژی نیست. AI با دادههایی از رادیوگرافی دوبعدی تا سیتیاسکن چندبرشی، MRI، ماموگرافی، ویدئوی سونوگرافی، تصاویر شبکیه و اسلایدهای پاتولوژی کار میکند. هرکدام اطلاعات متفاوتی از بدن میدهند و کاربرد الگوریتم نیز در هر حوزه متفاوت است.
فهرست بهروز دستگاههای پزشکی مبتنی بر AI مورد بررسی FDA نشان میدهد بخش بزرگی از محصولات AI پزشکی به تصویربرداری مربوطاند. بااینحال، بیشتر سامانهها برای وظایف مشخص مانند یافتن ضایعه، اندازهگیری یا اولویتبندی طراحی میشوند، نه تشخیص مستقل بیماری.
بیشتر بخوانید: http://masoud-shahabian.ir/medical-images-are-rich-but-costly-data/
چرا تصاویر پزشکی برای هوش مصنوعی مناسباند؟
تصویر پزشکی اطلاعات مکانی فشردهای دارد. در CT شکل، اندازه و تراکم ضایعه ثبت میشود؛ MRI ویژگیهای بافت نرم را نشان میدهد و پاتولوژی دیجیتال معماری سلولها را در مقیاس میکروسکوپی آشکار میکند.
مدلهای یادگیری عمیق این الگوها را برای طبقهبندی، Segmentation یا قطعهبندی ضایعه، اندازهگیری و پیشبینی پیامد تحلیل میکنند. اما ارزش هر تصویر به سؤال بالینی وابسته است. MRI همیشه بهتر از X-ray نیست و CT نیز جای سونوگرافی را در همه موقعیتها نمیگیرد. مدل باید با نوع تصویر، جمعیت بیمار و جریان کاری واقعی سازگار باشد.
رادیوگرافی؛ یکی از رایجترین ورودیهای AI
رادیوگرافی یا X-ray به دلیل هزینه کمتر، سرعت و استفاده گسترده، از مهمترین منابع داده برای AI است. الگوریتمها میتوانند برای شناسایی پنومونی، پنوموتوراکس، شکستگی یا اولویتبندی تصاویر مشکوک استفاده شوند.
مزیت آن، تعداد زیاد تصاویر موجود است؛ اما دوبعدی بودن باعث همپوشانی ساختارها میشود و دستگاه، وضعیت قرارگیری بیمار و کیفیت تصویربرداری بر نتیجه اثر میگذارند. در عمل، AI بیشتر بهعنوان خواننده دوم یا ابزار تریاژ ارزش دارد: تصویر مشکوک را زودتر وارد صف بررسی میکند، اما تشخیص نهایی به اطلاعات بالینی و متخصص وابسته است.
CT؛ داده حجیم و سهبعدی برای تحلیل دقیقتر
سیتیاسکن مجموعهای از برشهای متوالی ایجاد میکند و ساختارهای بدن را با جزئیات بالاتری از رادیوگرافی نشان میدهد. AI در CT برای ندول ریه، خونریزی مغزی، آمبولی ریه، ضایعات کبدی، شکستگی و ارزیابی عروق استفاده میشود.
مدل ممکن است صدها برش را همزمان تحلیل کند؛ بنابراین پردازش سهبعدی، تعیین محل ضایعه و اندازهگیری حجم اهمیت دارند. AI میتواند حجم تومور یا خونریزی را خودکار اندازه بگیرد. در مقابل، ضخامت برش، ماده حاجب، نوع دستگاه و روش بازسازی ممکن است عملکرد مدل را تغییر دهند.
MRI؛ منبع غنی برای مغز، عضله و بافت نرم
MRI با توالیهای مختلف، اطلاعات متنوعی درباره بافت نرم تولید میکند. یک بیمار ممکن است تصاویر T1، T2، FLAIR یا diffusion داشته باشد که هرکدام جنبه متفاوتی از بافت را نشان میدهند.
AI در MRI برای تقسیمبندی تومور مغزی، بررسی ضایعات عصبی، مفاصل و قلب و بهبود بازسازی تصویر استفاده میشود. اما MRI ناهمگونی زیادی دارد و شدت پیکسلها مانند CT مقیاس ثابت ندارد. تفاوت پروتکل و اسکنر میان مراکز باعث میشود اعتبارسنجی خارجی پیش از استفاده گسترده ضروری باشد.
ماموگرافی؛ AI در غربالگری سرطان پستان
ماموگرافی از حوزههای پرمطالعه AI است. مدلها برای یافتن توده، کلسیفیکاسیون، نواحی مشکوک و برآورد احتمال سرطان استفاده میشوند. ماموگرافی دیجیتال و Digital Breast Tomosynthesis هر دو وارد سامانههای هوشمند شدهاند.
بافت متراکم پستان، تفاوت دستگاهها و شیوع پایین سرطان در غربالگری ارزیابی مدل را پیچیده میکنند. حساسیت و میزان فراخوان بیمار باید در کنار دقت کلی سنجیده شوند. وجود ابزارهای مرتبط در فهرست FDA نشان میدهد این حوزه از کاربردهای مهم واقعی AI است.
سونوگرافی؛ تصویر پویا و وابسته به اپراتور
سونوگرافی متفاوت است، زیرا تصویر در لحظه و توسط اپراتور ساخته میشود. زاویه پروب، فشار و انتخاب نما مستقیماً بر داده اثر دارند.
AI برای تشخیص و قطعهبندی اندامها، اندازهگیری خودکار و ارزیابی جنین، قلب، کبد، تیروئید و ضایعات شکمی بررسی شده است. مرور کاربرد AI در سونوگرافی شکم و لگن ظرفیت این فناوری را نشان میدهد. AI همچنین میتواند اپراتور را برای گرفتن نمای مناسب راهنمایی کند، اما عملکرد آن در تصاویر ضعیف باید جداگانه آزموده شود.
PET، SPECT و پزشکی هستهای
PET و SPECT بیش از ساختار، اطلاعاتی درباره فعالیت متابولیک یا عملکرد فیزیولوژیک میدهند. PET در سرطان، مغز و قلب کاربرد دارد و اغلب با CT یا MRI ترکیب میشود.
AI برای آشکارسازی ضایعه، قطعهبندی تومور، کاهش نویز و بازسازی تصویر به کار میرود. ترکیب PET/CT جذاب است، زیرا مدل هم ساختار و هم فعالیت متابولیک را دریافت میکند. هزینه بالا، تعداد کمتر نمونه و تفاوت رادیوداروها از چالشهای ساخت دیتاستهای بزرگ این حوزهاند.
تصاویر چشم و شبکیه؛ پنجرهای به عروق و سیستم عصبی
تصاویر فوندوس و OCT از مهمترین دادههای AI خارج از رادیولوژی هستند. الگوریتمها برای غربالگری رتینوپاتی دیابتی، گلوکوم و دژنراسیون ماکولا توسعه یافتهاند.
OCT مقاطع پرجزئیات از لایههای شبکیه تولید میکند. مرور سال ۲۰۲۴ درباره AI در غربالگری شبکیه با OCT کاربرد گسترده یادگیری عمیق را بررسی کرده است. پژوهشگران از تصاویر شبکیه برای برآورد برخی خطرهای سیستمیک نیز استفاده میکنند، اما این کاربردها باید جدا از کاربردهای تشخیصی تثبیتشده اعتبارسنجی شوند.
پاتولوژی دیجیتال؛ از میکروسکوپ به مدلهای هوشمند
در پاتولوژی دیجیتال، لام شیشهای با وضوح بالا اسکن و Whole Slide Image یا WSI ایجاد میشود. این تصاویر میتوانند میلیاردها پیکسل داشته باشند و جزئیات سلولی و معماری بافت را نشان دهند.
AI برای شناسایی سرطان، درجهبندی، شمارش سلول و پیشبینی برخی نشانگرهای مولکولی بررسی میشود. فراتحلیل npj Digital Medicine عملکرد امیدوارکنندهای گزارش کرد، اما در تقریباً همه مطالعات نگرانیهایی درباره سوگیری یا قابلیت کاربرد وجود داشت. پژوهش Nature درباره مدل پایه اسلاید کامل نیز مسیر مدلهای چندمنظوره پاتولوژی را نشان میدهد.
تصاویر پوستی، آندوسکوپی و دندانپزشکی
دامنه تصویر پزشکی به رادیولوژی محدود نیست. عکسهای درماتولوژی و درموسکوپی برای ضایعات پوستی، تصاویر آندوسکوپی برای یافتن پولیپ و رادیوگرافی دندانپزشکی برای پوسیدگی و تحلیل استخوان استفاده میشوند.
در آندوسکوپی، AI باید با ویدئوی زنده و تغییر نور کنار بیاید. در پوست، رنگ پوست و شرایط عکاسی میتوانند سوگیری بسازند و در دندانپزشکی نیز کیفیت دستگاه مهم است. هر حوزه به دیتاست و اعتبارسنجی تخصصی خود نیاز دارد.
چرا ترکیب چند نوع تصویر مهم است؟
گاهی یک تصویر کافی نیست. در سرطان، MRI ساختار بافت را نشان میدهد و PET فعالیت متابولیک را اضافه میکند. پاتولوژی نیز میتواند با CT، ژنتیک و پرونده بالینی ترکیب شود.
این رویکرد بخشی از هوش مصنوعی چندوجهی پزشکی است. راهنمای WHO درباره مدلهای چندوجهی سلامت بر ایمنی، شفافیت، حفاظت داده و نظارت انسانی تأکید میکند. ترکیب فقط زمانی ارزش دارد که هر مدالیته اطلاعات تازه و قابل استفادهای به تصمیم اضافه کند.
آیا فرمت و آمادهسازی تصویر برای AI اهمیت دارد؟
بله. پیش از اینکه تصویر وارد مدل شود، معمولاً باید از نظر کیفیت بررسی، استانداردسازی و در صورت نیاز ناشناسسازی شود. در رادیولوژی، بسیاری از تصاویر با استاندارد DICOM ذخیره میشوند که علاوه بر پیکسلها، اطلاعاتی درباره دستگاه، زمان تصویربرداری و پارامترهای فنی دارد. این متادیتا میتواند برای تحلیل مفید باشد، اما در عین حال ممکن است اطلاعات شناساییکننده یا سرنخهایی درباره مرکز درمانی داشته باشد.
پیشپردازش نادرست میتواند خود به منبع خطا تبدیل شود. تغییر اندازه، نرمالسازی شدت، حذف حاشیهها یا انتخاب فقط بعضی برشها ممکن است بخشی از اطلاعات بالینی را از بین ببرد. همچنین اگر فرایند آمادهسازی در داده آموزش و داده واقعی متفاوت باشد، مدل دچار افت عملکرد میشود. بنابراین خط لوله پردازش باید مستند، قابل تکرار و تا حد ممکن مشابه شرایط استفاده بالینی باشد.
محدودیتها؛ تصویر خوب همیشه مدل خوب نمیسازد
کیفیت تصویر، برچسب متخصص، تنوع بیماران و اعتبارسنجی خارجی عوامل حیاتیاند. مدلی که روی تصاویر یک دستگاه یا بیمارستان آموزش دیده ممکن است به ویژگیهای همان مرکز وابسته شود.
WHO درباره حکمرانی داده سلامت در عصر AI بر دادههای باکیفیت و نماینده تأکید دارد. تصویر علاوه بر بیماری، نشانههای دستگاه، مرکز و جمعیت را نیز حمل میکند؛ پس عملکرد خوب داخلی بهتنهایی کافی نیست.
جمعبندی
چه انواعی از تصاویر پزشکی برای AI استفاده میشوند؟ رادیوگرافی، CT، MRI، ماموگرافی، سونوگرافی، PET و SPECT، تصاویر شبکیه و OCT، پاتولوژی دیجیتال، تصاویر پوستی، آندوسکوپی و دندانپزشکی همگی در پژوهش یا کاربرد بالینی AI حضور دارند.
هر مدالیته مزیت خود را دارد: X-ray گسترده و در دسترس است؛ CT ساختار سهبعدی میدهد؛ MRI بافت نرم را دقیق نشان میدهد؛ سونوگرافی پویاست؛ PET فعالیت زیستی را ثبت میکند و پاتولوژی به سطح سلولی میرسد.
آینده به مدلهایی نزدیک میشود که تصویر را با متن، آزمایش و پرونده پزشکی ترکیب کنند. اما شرط اصلی ثابت است: AI باید با داده باکیفیت و نماینده آموزش ببیند، در محیط واقعی اعتبارسنجی شود و در کنار قضاوت متخصص به کار رود.
سوالات متداول
رایجترین تصاویر پزشکی برای AI کداماند؟
رادیوگرافی، CT، MRI، ماموگرافی و تصاویر شبکیه از رایجترین دادهها هستند؛ پاتولوژی دیجیتال و سونوگرافی نیز با سرعت زیادی در حال گسترشاند.
آیا AI میتواند MRI و CT را همزمان تحلیل کند؟
بله. مدلهای چندوجهی میتوانند چند مدالیته را ترکیب کنند، اگر تصاویر درست همتراز و ارزش بالینی این ترکیب اعتبارسنجی شده باشد.
آیا سونوگرافی برای AI مناسب است؟
بله، اما وابستگی به اپراتور و کیفیت متغیر تصویر چالش مهمی است. AI میتواند در تشخیص، اندازهگیری و هدایت گرفتن نمای مناسب کمک کند.
پاتولوژی دیجیتال چه تفاوتی با رادیولوژی دارد؟
پاتولوژی تصاویر میکروسکوپی بسیار بزرگ از بافت تولید میکند؛ رادیولوژی بیشتر ساختار بدن را در مقیاس عضو نمایش میدهد. زیرساخت پردازش آنها نیز متفاوت است.
آیا هر تصویر پزشکی برای آموزش AI مناسب است؟
خیر. مدل بالینی به تصویر باکیفیت، برچسب معتبر، تنوع جمعیت، مجوز استفاده و داده کافی برای اعتبارسنجی نیاز دارد.
