به گزارش روابط عمومی پژوهشکده به نقل از واحد آموزش:

در روز چهارشنبه 23 مهر ماه 1404 نشست خبری با عنوان : " برتری مدل‌های CNN بر مدل‌های زبان-بینایی در تشخیص و طبقه‌بندی پولیپ‌های کولونوسکوپی "  در پژوهشکده گوارش و کبد با حضور ریاست، مدیر و معاون پژوهشی، مجریان طرح و علاقه مندان حوزه گوارش هوش مصنوعی برگزار شد و گزارشی از نتایج طرح ارائه گردید.

 در این جلسه مطرح شد که در این پژوهش عملکرد مدل‌های مختلف هوش مصنوعی برای تشخیص و طبقه‌بندی پولیپ‌های کولونوسکوپی را مقایسه شده است. نتایج نشان داد مدل‌های مبتنی بر شبکه‌های عصبی کانولوشن مانند ResNet50 دقیق‌ترین عملکرد را در تشخیص و دسته‌بندی پولیپ‌ها دارند. مدل‌های زبان‌–بینایی، به‌ویژه GPT-4 و BiomedCLIP، گرچه در طبقه‌بندی ضعف دارند، در تشخیص اولیه پولیپ بدون نیاز به داده‌های آموزشی گسترده توانایی قابل قبولی نشان دادند. این یافته‌ها بر ضرورت توسعه مدل‌های تخصصی و بهبود قابلیت‌های مدل‌های زبان‌–بینایی در کاربردهای بالینی تأکید می‌کند.

نتایج این مطالعه نشان می‌دهد که استفاده از مدل‌های تخصصی مانند ResNet50 می‌تواند به افزایش دقت در تشخیص و کاهش خطای انسانی در کولونوسکوپی کمک کند و در غربالگری سرطان کولورکتال نقش مؤثری داشته باشد. همچنین مدل‌های زبان–بینایی مانند GPT-4، به دلیل قابلیت تشخیص بدون نیاز به داده‌های آموزشی گسترده، می‌توانند در مراکز فاقد منابع کافی جهت آموزش شبکه‌های CNN به‌عنوان ابزار کمکی برای تشخیص اولیه پولیپ‌ها مورد استفاده قرار گیرند و دسترسی به فناوری‌های هوش مصنوعی را در محیط‌های بالینی تسهیل کنند.