ممکن است شما یک MRI پراکنده وزن (diffusion-weighted) بگیرید – که نوعی MRI است که ماده سفید را به خوبی نشان می‌دهد (به ماده سفید به عنوان راه‌های عصبی که نواحی ماده خاکستری را به هم وصل می‌کنند، فکر کنید). سپس، پس از پردازش آنMRI ، می‌توانید از تراکتوگرافی برای مشاهده سیستم جاده‌ای ماده سفید به صورت یک مدل رایانه‌ای سه بعدی استفاده کنید. سپس می‌توانید با مشاهده‌ی اندازه گیری‌ای به نام ناهمسانگردی کسری، میزان خراب شدن را در این مسیرهای ماده سفید اندازه گیری کنید. بعد از این که شخص از یک ابزار نرم افزاری برای خم کردن تصویر مغز شما به یک شکل استاندارد استفاده کرد، ناهمسانگردی کسری آن را می توان با پایگاه داده‌ای از صدها MRI پراکنده وزن دیگر مقایسه کرد تا هرگونه ناهنجاری پیدا شود.
اما احتمالاً این اتفاق در بیمارستان رخ نخواهد داد. تمام روش‌هایی که در بالا توضیح داده شد در دنیای تحقیق وجود دارد - اما در دنیای بالینی، رادیولوژیست احتمالاً به MRI شما با چشم نگاه می‌کند و بر اساس آن تشخیصی می‌دهد.
چرا؟ یک دلیل عمده این است که این نرم افزار فقط توسط متخصصان دنیای تحقیق قابل استفاده است و نه پزشکان. مشوق‌های ایجاد نرم افزار تصویر برداری پزشکی بسیار قابل توجه است، اما انگیزه‌هایی برای بهبود آن به صورت یک محصول نهایی - به روشی که مثلاً مایکروسافت از نظر ارگانیک تمایل دارد محصولات خود را بعد از بازخورد کاربر بهبود بخشد - وجود ندارد. تصویر برداری پزشکی زمینه‌ای درخشان و پر شده از ذهن‌های درخشان است، اما انگیزه‌هایی برای اثبات مفاهیم آن برای تبدیل به محصولات نهایی، مناسب برای استفاده پزشکان به جای فقط محققان، هنوز وجود ندارد. اگر سیستم عامل شما خراب شود، مایکروسافت دارای منابع و زیر ساخت‌هایی برای رفع اشکال آن است و رفع اشکال را در نسخه بعدی مد نظر قرار می‌دهد. اما آزمایشگاه‌های علوم به سختی تمایل، بودجه یا مهارت کافی (از منظر مهندسی نرم افزار) برای بهبود نرم افزار خود پس از انتشار اولیه دارند.
بتا یا بدتر
FSL ، یک جعبه ابزار نرم افزاری ایجاد شده توسط آکسفورد برای تجزیه و تحلیلMRI ، یکی از بهترین‌ها در نوع خود است که وجود دارد. تقریباً هر محقق تصویر برداری پزشکی از آن استفاده می‌کند - و با این وجود، با یک رابط کاربری گرافیکی که شبیه چیزی باشد از دهه 1990 (گرفتار کلمات اختصاری که سخت می‌توان آنها را دنبال کرد)، چنین موردی برای یک پزشک عملیاتی معمولی غیر ممکن یا خطرناک خواهد بود که بدون شش ماه آموزش از آن استفاده کند. اغلب محققین حتی به خود زحمت نمی‌دهند که از رابط کاربری گرافیکی آن استفاده کنند حتی وقتی که آنها فقط در حال شروع یاد گیری آن هستند، در عوض انتخاب می‌کنند که از آن به عنوان یک ابزار خط فرمان استفاده کنند (یعنی کاملاً مبتنی بر متن - تقریباً همچنان که تمام رایانه‌ها قبل از اوایل دهه 1980 این گونه عمل می‌کردند). این یک چیز غیر متعارف نیست.AFNI، بسته تحلیلی دیگر، بدتر است. پس از راه اندازی، پنج ویندوز بلافاصله ظاهر می‌شوند و مانند یک سایت قدیمی GeoCities چشمک می زنند.در بعضی موارد، مشکلات مربوط به نرم افزار تحقیقاتی می‌توانند فراتر از منحنی یاد گیری کاربر باشند - و در صورتی که این مشکلات فهمیده نشوند، کمتر آشکار می‌شوند و خطرناک‌تر هستند. AFNI و FSL هر دو از یک اشکال رنج می‌برند که باعث عدم اعتبار 40،000 مطالعه fMRI در 15 سال گذشته شده است. چنین اشکالاتی، که راه حلی برای آنها پیدا نشده، می‌توانند بیش از پیش از استفاده احتمالی نرم افزارهای تحقیق در کلینیک‌ها جلو گیری به عمل آورند.
هیچ مدل تجاری
چرا مردم با وجود همه اینها هنوز از این نرم افزار استفاده می‌کنند؟ خوب، در اکثر موارد، کار انجام می‌دهند. اما مشوق‌هایی برای بهبود کافی آنها برای استفاده آسان‌تر - یا صرفاً ساختن محصولات بهتر - وجود ندارد. اپل از رایانه‌های خود سود می‌برد و از این رو تمایل دارد به طور مداوم آنها را بهبود ببخشد و استفاده از آنها را تا حد امکان آسان کند. اگر این کار را نکنند، مردم فقط به طرف ویندوز خواهند رفت، محصولی که اساساً همین کارها و بهبودهای مستمر را انجام می‌دهد.اما در حالی که شما یا من برای یک کامپیوتر پول می‌پردازیم، FSL منبع باز است و دانشمندان هیچ هزینه‌ای برای آن نمی‌پردازند. انگیزه پولی در عوض ناشی از انتشارات ناشی از استفاده از این نرم افزار است - که می تواند منجر به تأمین اعتبار برای تحقیقات بیشتر شود.
Neurovault ، یک کتابخانه آزاد برایMRIها که در مطالعات تحقیقاتی قبلی مورد استفاده قرار گرفته است، در سؤالات متداول خود درخواست می‌کند که محققان در صورت داشتن کشفی با استفاده از Neurovault، مقاله اصلی را در مورد Neurovault را ذکر کنند، تا Neurovault بتواند کمک مالی بیشتری برای ادامه کار خود به دست آورد. مشوق‌های ایجاد نرم افزار تصویر برداری پزشکی بسیار قابل توجه است، اما انگیزه‌هایی برای بهبود آن به صورت یک محصول نهایی - به روشی که مثلاً مایکروسافت از نظر ارگانیک تمایل دارد محصولات خود را بعد از بازخورد کاربر بهبود بخشد - وجود ندارد. بانک‌های اطلاعاتی‌ای مانند Neurovault ابتکاراتی بسیار خوب و بسیار ضروری هستند - اما آیا تا به حال متوجه شده‌اید که Google از مردم بخواهد در صورت داشتن کشفی با استفاده از Google ، به مقاله اصلی الگوریتم Pagerank آن استناد کنند؟
حتیKitware ، یک شرکت نرم افزاری تصویر برداری پزشکی، کاملاً منبع باز است و پول خود را از کمک هزینه و کمک‌های مالی به دست می‌آورد، نه این که با فروش نرم افزار خود و به طور فعال به دنبال باز خورد کاربران باشد. Kitware از رابط‌های گرافیکی بهتری برخوردار است، اما در اصل یک شرکت تحقیقاتی است. بسیاری از ابزارهای آن هم بدون استفاده از چندین ماه آموزش تخصصی برای استفاده مناسب نخواهد بود.
تصویر برداری پزشکی زمینه‌ای درخشان و پر شده از ذهن‌های درخشان است، اما انگیزه‌هایی برای اثبات مفاهیم آن برای تبدیل به محصولات نهایی، مناسب برای استفاده پزشکان به جای فقط محققان، هنوز وجود ندارد. در حالی که این حالت باقی بماند، جاده از آزمایشگاه تا بیمارستان همچنان راکد خواهد بود.
منبع: ماتیو لِمینگ – دانشگاه کمبریج
