خبر
شرکت ارائه‌دهنده نرم‌افزار هوش مصنوعی رادیولوژی گلیمر با انجام دو معامله خرید و ادغام، فعالیت خود را به حوزه MRI گسترش داد
زمان مطالعه: 4 دقیقه
شرکت ارائه‌دهنده نرم‌افزار هوش مصنوعی رادیولوژی گلیمر با انجام دو معامله خرید و ادغام، فعالیت خود را به حوزه MRI گسترش داد
شرکت ارائه‌دهنده نرم‌افزار هوش مصنوعی رادیولوژی گلیمر با انجام دو معامله خرید و ادغام، فعالیت خود را به حوزه MRI گسترش داد
خبر
شرکت ارائه‌دهنده نرم‌افزار هوش مصنوعی رادیولوژی گلیمر با انجام دو معامله خرید و ادغام، فعالیت خود را به حوزه MRI گسترش داد
زمان مطالعه: 4 دقیقه

تصویربرداری پزشکی اصطلاحی گسترده است که شامل چندین فناوری مجزا می‌شود. استارتاپ فرانسوی گلیمر پس از کار بر روی ابزارهای مبتنی بر هوش مصنوعی برای بهبود تصاویر اشعه ایکس و ماموگرافی، اکنون قصد دارد به حوزه تصویربرداری رزونانس مغناطیسی (MRI) وارد شود.

گلیمر به جای شروع از صفر، استارتاپی به نام کائروس مدیکال را که پیش‌تر بر روی تحلیل MRI با استفاده از هوش مصنوعی کار کرده بود، خریداری کرده و با شرکت پیکسیل ادغام شده است.

گلیمر بخشی از موج دوم استارتاپ‌هایی است که تلاش می‌کنند با استفاده از هوش مصنوعی، تصویربرداری پزشکی را بهبود بخشند. چندین کارآفرین حوزه فناوری در سال‌های ۲۰۱۴ یا ۲۰۱۵ استارتاپ‌هایی در این زمینه تأسیس کردند. اگرچه بسیاری از آن‌ها به نتیجه نرسیدند، اما در این حوزه شاهد تجمیع‌هایی بوده‌ایم. به عنوان مثال، زبرا مدیکال ویژن و آرتریس به ترتیب توسط ناناکس و تمپوس خریداری شدند.

گلیمر که در سال ۲۰۱۷ تأسیس شد، در حال توسعه یک دستیار هوش مصنوعی برای رادیولوژیست‌ها است؛ نوعی کمک‌خلبان برای تصویربرداری پزشکی. با استفاده از گلیمر، رادیولوژیست‌ها به طور نظری می‌توانند دقت تشخیصی خود را در تفسیر تصاویر پزشکی افزایش دهند.

این استارتاپ تاکنون ۲۰۰۰ مؤسسه در ۴۵ کشور را متقاعد کرده است که از راه‌حل نرم‌افزاری آن استفاده کنند. در مجموع، گلیمر ۳۵ میلیون معاینه را پردازش کرده است. این شرکت برای محصول تفسیر ترومای استخوانی خود موفق به دریافت گواهینامه‌های CE و FDA شده است. در اروپا، گلیمر همچنین محصولاتی با تمرکز خاص بر روی تصاویر اشعه ایکس قفسه سینه، اندازه‌گیری‌های ارتوپدی و سن استخوانی با گواهینامه CE ارائه می‌دهد.

کریستین آلوش، هم‌بنیان‌گذار و مدیرعامل گلیمر، به تک‌کرانچ گفت: «متأسفانه رویکرد یکسان برای همه در رادیولوژی کارساز نیست. داشتن یک مدل بزرگ که تمام جنبه‌های تصویربرداری پزشکی را پوشش دهد و سطح عملکرد مورد انتظار پزشکان را ارائه کند، بسیار پیچیده است.»

به همین دلیل، این شرکت تیم‌های کوچک داخلی برای تمرکز بر ماموگرافی و سی‌تی‌اسکن ایجاد کرده است. آلوش افزود: «سه هفته پیش محصول ماموگرافی خود را عرضه کردیم که ۱۸ ماه روی آن کار کرده بودیم.» این محصول بر اساس یک مدل اختصاصی هوش مصنوعی است که روی ۱.۵ میلیون تصویر ماموگرافی آموزش دیده است. او ادامه داد: «ما با ژان زِی، خوشه GPU دولت فرانسه، همکاری داریم.» این شرکت همچنین در حال کار بر روی سی‌تی‌اسکن برای تشخیص سرطان است.

اما در مورد MRI چه؟ آلوش گفت: «MRI یک فضای تکنولوژیک متفاوت است. در MRI وظایف متعددی وجود دارد؛ نه تنها تشخیص، بلکه بخش‌بندی، شناسایی، توصیف، طبقه‌بندی و تصویربرداری چندتوالی را شامل می‌شود.»

به همین دلیل، گلیمر یک استارتاپ کوچک (کائروس مدیکال) را خریداری کرده و با یک شرکت بزرگ‌تر (پیکسیل) ادغام شده است تا سریع‌تر پیشرفت کند. این دو شرکت چندین سال است که در این حوزه فعالیت دارند. گلیمر جزئیات مالی این معاملات را فاش نکرده است.

آلوش گفت: «این دو شرکت به دو پلتفرم MRI ما تبدیل خواهند شد، با هدف روشن پوشش دادن تمام موارد استفاده در دو تا سه سال آینده.»

تصویربرداری پزشکی پیشگیرانه

اگرچه مدل‌های گلیمر نتایج امیدوارکننده‌ای نشان داده‌اند، اما هنوز کامل نیستند. برای مثال، با مدل جدید ماموگرافی این شرکت، گلیمر ادعا می‌کند که می‌تواند چهار مورد از پنج مورد سرطان را تشخیص دهد. در مقایسه، یک رادیولوژیست انسانی بدون کمک هوش مصنوعی معمولاً سه مورد از پنج مورد را شناسایی می‌کند.

با این حال، افزایش بهره‌وری ناشی از ابزاری مانند گلیمر می‌تواند تصویربرداری پزشکی را به طور اساسی تغییر دهد. توموری که تشخیص داده نشود، احتمالاً در معاینه بعدی چند ماه بعد شناسایی خواهد شد.

آلوش گفت: «در آینده‌ای نه‌چندان دور، فکر می‌کنم همه ما به طور منظم MRI کل بدن را انجام خواهیم داد که هزینه آن توسط شرکت‌های بیمه پرداخت می‌شود، زیرا این روش تشعشع ندارد.»

با این حال، در برخی شهرها، تعداد رادیولوژیست‌ها برای پاسخگویی به تقاضای تصویربرداری واکنشی کافی نیست. اگر صنعت به سمت تصویربرداری پیشگیرانه حرکت کند، ابزارهای هوش مصنوعی ضروری خواهند شد.

مدیرعامل گلیمر معتقد است که هوش مصنوعی می‌تواند به یک ابزار «سازمان‌دهی و اولویت‌بندی» تبدیل شود. بیشتر معاینات تصویربرداری پزشکی برای رد برخی تشخیص‌ها انجام می‌شوند. آلوش گفت: «بنابراین، نیاز واقعی به خودکارسازی همه این‌ها با یک مدل هوش مصنوعی بسیار قوی وجود دارد که حساسیتی بسیار بالاتر از انسان داشته باشد.»

منبع: تک‌کرانچ

اشتراک گذاری:

آخرین مقالات پیشنهادی

دیدگاه‌ها

اشتراک در
اطلاع از
guest
0 Comments
قدیمی‌ترین
تازه‌ترین بیشترین رأی
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
دیتانید تو مراحل مختلف تحلیل داده می‌تونه به شما کمک کنه:
  1. امکان‌سنجی خواسته‌ها و تطبیق نیازمندی‌ها
  2. استخراج و تمیز کردن دادگان
  3. طراحی مدل‌های مناسب
  4. آموزش مدل براساس داده‌های به‌دست آمده
  5. استقرار مدل

آخرین اخبار

اخبار مشابه

روش جدید قابلیت اطمینان گزارش‌های تشخیصی رادیولوژیست‌ها را ارزیابی و بهبود می‌بخشد
به دلیل ابهام ذاتی در تصاویر پزشکی مانند اشعه ایکس، رادیولوژیست‌ها اغلب هنگام توصیف وجود یک آسیب‌شناسی خاص، مانند ذات‌الریه، از کلماتی مانند "ممکن ..
فناوری Web3 به ایجاد اطمینان و اعتماد در هوش مصنوعی کمک می‌کند
وعده هوش مصنوعی این است که زندگی همه ما را آسان‌تر خواهد کرد. و با این سهولت بزرگ، پتانسیل سود جدی نیز به همراه می‌آید. سازمان ملل متحد تخمین ...
نینا شیک(نویسنده): تأثیر هوش مصنوعی مولد بر تجارت، سیاست و جامعه
نینا شیک، سخنران و کارشناس برجسته در زمینه هوش مصنوعی مولد است که به دلیل کار پیشگامانه‌اش در تقاطع فناوری، جامعه و ژئوپلیتیک مشهور است...