كيفية التغلب على مشكلة البيانات في الرعاية الصحية

ستساعدك المقالة التالية: كيفية التغلب على مشكلة البيانات في الرعاية الصحية

تحدث أنوب كومار ، كبير مهندسي الموظفين في Stryker ، عن الأساليب المتبعة في جراحة العظام ، وجمع البيانات في مجال الرعاية الصحية ، والاستفادة من معظم البيانات المتاحة خلال جلسته في قمة مطوري التعلم الآلي (MLDS) 2021.

Stryker التي يقع مقرها الرئيسي في ميشيغان هي واحدة من شركات التكنولوجيا الطبية الرائدة في العالم ولها مكاتب في جميع أنحاء العالم ، بما في ذلك الهند. تقدم Stryker المنتجات والخدمات في مجالات جراحة العظام والطب والجراحة والتكنولوجيا العصبية والعمود الفقري.

الصدمات والكسور وتصنيفها

“حالة الصدمة هي كسر ناتج عن الحوادث. الصدمة هي حالة طارئة وليست عملية جراحية مخططة. ومن ثم فإن التصوير المقطعي المحوسب لا يلعب دورًا. يتم نقل هؤلاء المرضى مباشرة إلى غرفة العمليات. ومن ثم يجب أن تكون اعتبارات الطريقة في مثل هذه الحالات فى الموقع،” قال كومار.

بمجرد حصولنا على تقرير الكسر من خلال الأشعة السينية ، فإن الخطوة التالية هي تصنيف الكسر حسب تنسيق AO. تصنيف الكسور AO هو نظام لتصنيف كسور العظام ، تم تقديمه لأول مرة في عام 1987.

لدراسة فئة AO بشكل موثوق ، يجب مراعاة بعض الأشياء:

• موقع الكسر
• وجهة النظر الأمامية / الخلفية (AP) والإنسي / الجانبي (ML)
• سواء تم إدخال أي جهاز أم لا

جمع البيانات

تتمثل الخطوة الأولى والأولى في تصنيف AO في جمع البيانات .. “نذهب إلى تجريف الويب عبر صور مختلفة ونجمع العينات. هناك آثار قانونية للمشاريع التجارية لأنه من الصعب جدًا تتبع حقوق الطبع والنشر لهذه الأنواع من الصور. قال كومار إن أكثر الرهانات أمانًا لمشروع تجاري هو الذهاب إلى المستشفى أو بناء علاقة مع المستشفى ، والحصول على مجموعة البيانات منهم بموجب عقد.

المعلومات الصحية الشخصية (PHI) هي اعتبار قانوني يتعامل مع جميع المعلومات المرتبطة بالبيانات التي تتضمن هوية المريض أو طبيعة الرعاية المقدمة. “طالما أنه يمكننا إزالة هذه الأجزاء من المعلومات من الصور ، فنحن على ما يرام. قال كومار: “هذا يسمى إخفاء الهوية”.

زيادة البيانات

الحصول على البيانات هو مجرد غيض من فيض. قد تشكل البيانات التي تم جمعها المزيد من التحديات ، مثل الاختلالات في مجموعات AO ونقص وجهات النظر والمعلومات.

قال كومار ، “الحصول على معلومات لجميع فصول AO للأدب أمر صعب. التحدي التالي هو كيفية الحصول على الدقة بكمية صغيرة جدًا من البيانات “.

الحل لهذه المشكلة هو زيادة البيانات ، وهي استراتيجية شائعة تستخدم لزيادة تنوع البيانات دون الحاجة إلى جمع بيانات جديدة. ومع ذلك ، حذر كومار من أنه حتى مع تقنيات زيادة البيانات ، قد يكون هناك بعض العيوب مثل عدم وجود اختلاف في وجهة النظر (AP و ML) ، واستبعاد الأجهزة وإدراجها لفئات AO المختلفة ، وما إلى ذلك.

ضمن زيادة البيانات ، يتم استخدام تقنية تسمى Mixup لإنشاء مجموعات مرجحة من أزواج الصور العشوائية من بيانات التدريب. يساعد Mixup في إنشاء عينات بيانات أثناء التدريب نفسه. يساعد في عمل عينات بيانات جديدة من نفس فئة AO. ومع ذلك ، فإن التحدي يكمن في معرفة ما إذا كنت تحصل على صورة واقعية قابلة للحياة طبياً ، “قال كومار.

توليد البيانات باستخدام شبكات GAN

يشتمل إنشاء البيانات التقليدية باستخدام شبكات GAN على بعض أوجه القصور ، بما في ذلك التنبؤ المتكرر لنفس العينة ، ومشكلات التحويل ، وعدد المكون المفقود في الصور التي تم إنشاؤها. يجب استخدام شبكات GAN بعناية للصور الطبية للتحكم في السياق.

المجتمع الطبي يستخدم نهجا مختلفا. سوف نأخذ صورة بالأشعة السينية. نحن هنا نجمع صور الأشعة المقطعية بدلاً من الأشعة السينية. يتم تحويل عمليات التصوير المقطعي المحوسب لمحاكاة فئات الإسقاط بالأشعة السينية لإنشاء نسخ تركيبية. وتسمى هذه الصور الشعاعية المعاد بناؤها رقميًا (DRRs). في هذا ، بشكل عام ، نستخدم إسقاط متوسط ​​الشدة وإسقاط الكثافة القصوى. قال كومار إن ميزة هذه الطريقة هي أنه يمكنك إضافة كثافة ، مما يمنحك صورة قريبة من إخراج الصورة الحقيقية.

يتم بعد ذلك تغذية DRRs لدورة GAN للحصول على صورة حقيقية.

الائتمان: أنوب كومار