عنوان فارسی مقاله:هوش مصنوعی به عنوان ابزاری تشخیصی در تصویربرداری غیرتهاجمی در ارزیابی بیماری عروق کرونر

چکیده

بیماری عروق کرونر (CAD) یکی از علل اصلی مرگ و میر و عوارض در سراسر جهان است و با هزینه اقتصادی قابل توجهی همراه است. در یک جمعیت سالخورده و دارای چند بیماری، توسعه ابزارهای قابل اعتماد، سازگار، کم خطر و غیرتهاجمی برای تشخیص CAD اهمیت فزاینده‌ای پیدا کرده است. تکامل روش‌های قلبی متعدد در این زمینه تا حد زیادی به این معضل پرداخته، نه تنها در ارائه اطلاعات در مورد بیماری اناتومیکی، همانطور که در مورد آنژیوگرافی توموگرافی کامپیوتری کرونر (CCTA) وجود دارد، بلکه در کمک به جزئیات مهم در مورد ارزیابی عملکرد، به عنوان مثال، با استفاده از رزونانس مغناطیسی قلبی (S-CMR) است. حوزه هوش مصنوعی (AI) با سرعتی خیره کننده، به ویژه در مراقبت‌های بهداشتی در حال توسعه است. در مراقبت‌های بهداشتی، نقاط عطف کلیدی با استفاده از هوش مصنوعی و یادگیری ماشینی (ML) در تنظیمات بالینی مختلف، از ساعت‌های هوشمند تشخیص آریتمی گرفته تا تجزیه و تحلیل تصویر شبکیه و پیش بینی سرطان پوست، به دست آمده است. در زمان‌های اخیر، ما شاهد علاقه در حال ظهور به توسعه فناوری مبتنی بر هوش مصنوعی در زمینه تصویربرداری قلبی عروقی بوده‌ایم، زیرا احساس می‌شود که روش‌های ML پتانسیلی برای غلبه بر برخی محدودیت‌های مدل‌های خطر فعلی با اعمال الگوریتم‌های کامپیوتری در پایگاه‌های داده بزرگ با متغیرهای چند بعدی دارند. بنابراین گنجاندن روابط پیچیده را برای پیش بینی نتایج ممکن می‌سازد. در این مقاله، ما منابع فعلی در مورد کاربردهای مختلف هوش مصنوعی در ارزیابی CAD را با تمرکز بر تصویربرداری چندوجهی مرور می‌کنیم، و به دنبال آن بحثی در مورد دیدگاه‌های آینده و چالش‌های حیاتی که این حوزه احتمالاً با ادامه تکامل در قلب و عروق با آن مواجه می‌شود، بررسی می‌کنیم.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Artificial Intelligence as a Diagnostic Tool in Non-Invasive Imaging in the Assessment of Coronary Artery Disease

Abstract

Coronary artery disease (CAD) remains a leading cause of mortality and morbidity worldwide, and it is associated with considerable economic burden. In an ageing, multimorbid population, it has become increasingly important to develop reliable, consistent, low-risk, non-invasive means of diagnosing CAD. The evolution of multiple cardiac modalities in this field has addressed this dilemma to a large extent, not only in providing information regarding anatomical disease, as is the case with coronary computed tomography angiography (CCTA), but also in contributing critical details about functional assessment, for instance, using stress cardiac magnetic resonance (S-CMR). The field of artificial intelligence (AI) is developing at an astounding pace, especially in healthcare. In healthcare, key milestones have been achieved using AI and machine learning (ML) in various clinical settings, from smartwatches detecting arrhythmias to retinal image analysis and skin cancer prediction. In recent times, we have seen an emerging interest in developing AI-based technology in the field of cardiovascular imaging, as it is felt that ML methods have potential to overcome some limitations of current risk models by applying computer algorithms to large databases with multidimensional variables, thus enabling the inclusion of complex relationships to predict outcomes. In this paper, we review the current literature on the various applications of AI in the assessment of CAD, with a focus on multimodality imaging, followed by a discussion on future perspectives and critical challenges that this field is likely to encounter as it continues to evolve in cardiology