در بخش اول این مقاله ، پیرامون کاربرد هوش مصنوعی و یادگیری عمیق در پزشکی مطالبی را بیان کردیم ، توجه شما مخاطبان محترم را به ادامه این مقاله جلب می نماییم :

کاربرد هوش مصنوعی

نمونه های های از کاربردهای هوش مصنوعی را در حوزه های مختلفی می توان بررسی کرد. به کمک چند شرکت بزرگ که تمرکز و تلاش های خود را بر روی کاربردهای هوش مصنوعی در علوم زیستی گذاشته اند، فناوری در حال گذران دوران رنسانس خود است.

بیمار عمیق ( Deep Patient ) :

بیمار عمیق یه اصطلاح جدید در علم نوین است ؛ استراتژی پیش بینی آینده بیماران از طریق اطلاعات پرونده های بهداشت الکترونیکی بیماران، توضیحی دقیق از این اصطلاح است . بیمار عمیق یک روش یادگیری ماشین است که از سوابق سلامت الکترونیکی ۷۰۰۰۰۰ بیمار از انبار داده mount sinai تهیه شده است.
الگوریتم این روش با استفاده از یادگیری ماشین مدل سازی شده است، به طوری که ماشین می تواند تصمیمات را بر اساس نحوه مشابه بودن داده ها بیاموزد، حتی اگر خروجی ارائه نشود.

بیمار عمیق در پیش بینی بیماری هایی مانند دیابت شدید، اسکیزوفرنی و سرطان های خاص موفق بوده است. پیش بینی اسکیزوفرنیا برای پزشکان  بسیار دشوار است، و این پیش بینی می تواند بسیار عالی باشد.در یک پژوهش مستند، مراحل آماده سازی بیمار عمیق برای حدود ۸۰ بیماری مورد بررسی قرار گرفت که توانست با دقت ۸۴٪ به موفقیت برسد.

علاوه بر این، بر خلاف برخی اظهار نظرها، مراحل بیمار عمیق برای بیماری خاص خاص نیستند و طیف گسترده ای از بیماری ها را دربر می گیرند و در عین دقت بالایی دارد. بیمار عمیق می تواند توصیف ها و ویژگی هایی را که برای یک فرد خاص هست را یاد بگیرد.

هوش مصنوعی به طور گسترده ای به تحقیقاتی پیرامون سرطان پرداخته است. کلینیک Mayo با تجزیه و تحلیل تصاویر MRI در سرطان مغز، یک شبکه عصبی را برای تشخیص جهش های ژنتیکی آموزش داده است.

به کمک این روش نیاز به بیوپسی ( ازمایش میکروسکپی بافت زنده ) حذف شده و به عنوان یک سیستم می تواند با دقت ۹۵٪ پیش بینی کند. با این حال محققان هنوز مطمئن نیستند که دقیقا چه الگوریتمی در تصاویر MRI قرار دارد.

داده های خوب و مشکلات احتمالی هوش مصنوعی

همانطور که گفته شد، هوش مصنوعی قادر به ارائه خروجی با دقت بالا است؛ با این حال، هنوز هسته اصلی هوش مصنوعی به طور کامل درک نشده است و ریاضیات در مورد اینکه موضوع نظریه های مختلفی ارائه داده است. در توضیحات مربوط به Clinic Mayo ، محققان گاهی اوقات نمی دانند چرا الگوریتم ها خروجی های خاصی را ارائه می دهد، حتی اگر آنها درست باشند.

یادگیری ماشین و یادگیری عمیق به میزان زیادی بر روی مجموعه داده هایی که از آن یاد می گیرند تکیه می کنند.
آنها به اصل  “Garbage in, garbage out” حساس هستند، به این معنی که دقت خروجی ها به اندازه دقت مجموعه های ورودی است.

پایان …