مجله هوش مصنوعی شهاب
Netflix ، Siri و وب سایت هایی که محصولات شان را براساس سابقه خرید دیگر مشتریان ، پیشنهاد می کنند، در چه چیز مشترکی هستند؟ این سرویس ها مثال های واقعی استفاده از یادگیری ماشین هستند. یادگیری ماشین ، فرآیند آموزش ماشین ها به منظور شناخت الگوها از طریق ارائه داده به آن ها و الگوریتمی برای کار با داده ها است. این فرایند، در روش های مختلف، به حوزه بهداشت و درمان کمک زیادی کرده است.
حوزه های بسیاری از فناوری یادگیری ماشین استفاده می کنند ، و حوزه بهداشت و درمان نیز از این قاعده مستثنی نیست! شرکت Google یک الگوریتم یادگیری ماشین را برای شناسایی تومورهای سرطانی ابداع کرده است که دانشگاه Stanford از آن برای تشخیص سرطان پوست استفاده می کند. متخصصان ، فرآیند یادگیری ماشین را ” آموزش ” ماشین ها و خروجی تولید شده را “مدل” نام گذاری کردند که این مدل با داده ارائه می شود و اطلاعات جدیدی را با آنچه قبلا یاد گرفته بود، ایجاد می کند.
سه نوع مدل مورد استفاده در یادگیری ماشین عبارتند از :
- کلاسه بندی : هدف از این مدل تعیین یک دسته است. این مدل برای دسته بندی مجموعه ای از داده ها ، آموزش داده می شود.
بازبینی کلاسه بندی یادگیری ماشین
- خوشه بندی : این مدل زمانی ایجاد می شود که یک سری داده در دسترس باشد اما نتیجه مشخصی نداشته باشد. این مدل الگو های متمایزی را در داده ها ایجاد می کند.
- رگرسیون : این مدل به منظور پیدا کردن یک مقدار ، ایجاد شده است. این الگوریتم با کمک داده ها ، ارتباط بین هر دو متغیر را پیدا کرده و نتیجه بر این اساس پیش بینی می شود.
” رایانه ها قادر به دیدن ، شنیدن و یادگیری هستند. به آینده خوش آمدید. “
یادگیری ماشین در بهداشت و درمان
بیایید کاربرد های پیشرفته یادگیری ماشین در بخش بهداشت و درمان را بررسی کنیم :
۱- شناسایی و تشخیص بیماری ها
تشخیص بیماری به طور عادی دشوار است ، یادگیری ماشین در شناسایی بیماری فرد ، نظارت بر سلامتی وی و پیشنهاد اقدامات لازم جهت پیشگیری از بیماری، نقش بسزایی دارد. بیماری می تواند شامل بیماری های جزئی یا بیماری های حاد مانند سرطان باشد که تشخیص آن در مراحل اولیه دشوار است.
هر نوع سرطان یک بیماری کشنده است و محققین همچنان در حال مبارزه برای دستیابی به راه حل ها و پیشرفت های جدید برای کمک به مردم هستند.
به عنوان مثال – QuantX با یادگیری ماشین و هوش مصنوعی کار می کند و در آزمایشگاه های دانشگاه شیکاگو توسعه یافته است. این تکنولوژی نیازهای حیاتی بیماران و سرپرستان را مورد بررسی قرار می دهد و اطلاعاتی ارائه می دهد که تشخیصی سریع تر و دقیق تر، درمان های فردی و نتایج بهتری را امکان پذیر می کند. هدف از این تکنولوژی ارائه نتایج بهتر و تشخیص بهتر توسط رادیولوژیست ها است.
۲- کشف و تولید دارو
فناوری های تحقیق و توسعه مانند توالی یابی نسل جدید ( NGS ) و پزشکی دقیق می توانند به درمان بیماری های چند وجهی کمک کنند. الگوریتم های یادگیری ماشین از قبیل یادگیری بدون نظارت می توانند الگوهای موجود در داده ها را بدون ارائه هر گونه پیش بینی شناسایی کنند.
کشف یا ساخت یک داروی جدید می تواند پرهزینه و یک فرآیند طولانی باشد زیرا ترکیبات زیادی هستند که مورد آزمایش قرار می گیرند و تنها یک نتیجه می تواند مفید باشد. با پیشرفت تکنولوژی ، یادگیری ماشین می تواند منجر به پیشرفت این فرآیند شود.
به عنوان مثال – Insitro ، یک شرکت تازه تأسیس مستقر در کالیفرنیا با هدف کشف داروها و لوازم پزشکی جدید برای بهبود بیشتر، زودتر و با هزینه کمتر بیماران است. این فناوری برای مشاهده و ساخت سیستم های مدل بیولوژیکی و حل مشکلاتی که قبلاً قابل حل نبود، از فناوری هایی مانند علوم داده ، یادگیری ماشین و سایر فناوری های پیشرفته آزمایشگاهی استفاده کرده است. و حتی برای ایجاد نتایج بهتر با سایر شرکت ها همکاری می کند.
یک مثال دیگر، پروژه Hanover توسط مایکروسافت است که از فناوری های مبتنی بر یادگیری ماشین برای ابتکاراتی مانند توسعه فناوری های درمان سرطان و شخصی سازی ترکیبات دارویی برای بیماران استفاده می کند.
۳- تصویر برداری پزشکی
با کمک تکنیک های یادگیری ماشین مانند یادگیری عمیق ، اکنون می توان ناهنجاری های میکروسکوپی را در تصاویر اسکن شده از بیماران پیدا کرد و در نتیجه، پزشکان قادر به ارائه یک تشخیص درست خواهند بود. در گذشته، روش هایی مانند اشعه ایکس و سی تی اسکن برای بررسی بیماری های جزئی کافی بود، اما با افزایش بیماری ها ، نیاز به بررسی دقیق آن ها وجود داشت.
به عنوان مثال – یادگیری ماشین و یادگیری عمیق هر دو مسئول پیشرفت فناوری شناخته شده ای بنام بینایی رایانه ای هستند. این فناوری در پروژه InnerEye مایکروسافت برای ساخت ابزارهایی برای تحلیل تصویر، استفاده شد. InnerEye یک پروژه تحقیقاتی است که از فناوری یادگیری ماشین برای ساختن ابزارهای ابتکاری برای تحلیل کمّی و خودکار تصاویر رادیولوژی ۳ بعدی استفاده می کند. این پروژه با اعمال یادگیری ماشین روی این تصاویر، بین تومورها و اجزای سالم تمایز ایجاد کرده است. این امر به متخصصان پرتودرمانی و برنامه ریزی جراحی کمک می کند.
۴- دارو / درمان شخصی
با رشد ناگهانی داده های بیمار در قالب اطلاعات ژنتیکی و پرونده الکترونیک بیمار ، پزشکان قادر به ارائه درمان شخصی به بیماران جداگانه هستند. هدف آن ها کسب اطلاعات از مقادیر گسترده مجموعه داده ها و استفاده از آن ها برای درمان بیماران در سطح فردی است. این اطلاعات می توانند ترکیبات شخصی را پیشنهاد کرده و خطر بیماری را با کمک فناوری های یادگیری ماشین پیش بینی کنند.
به عنوان مثال – مراقبت های بهداشتی Watson یکی از پروژه های IBM Watson ، شامل استفاده از یادگیری ماشین است که باعث ایجاد منابع قوی برای بهبود سلامت بیمار می شود. مراقبت های بهداشتی Watson با ارائه گزینه های درمانی جداگانه بر اساس تجزیه و تحلیل تحقیقات اخیر ، اقدامات بالینی و آزمایشات ، وقت پزشکان را که صرف تصمیم گیری در مورد درمان می شد، کاهش داد. این پروژه مبتنی بر یادگیری ماشین اکنون می تواند درمان سرطان خون و بسیاری از بیماری ها را ارائه دهد. این متخصص مشهور سرطان، امکان دسترسی به بهترین درمان ممکن را به هر بیمار می دهد.
۵- سوابق بهداشتی هوشمند
با این که فناوری، روند ورود داده ها را تسهیل کرده ، اما هنوز فرآیند هایی وجود دارند که زمان زیادی را صرف می کنند. نگهداری روزانه سوابق بهداشتی بروز ، طاقت فرسا و همچنین زمان بر است. پس از ابداع چنین فعالیت های ارزشمندی ، حفظ سوابق بهداشتی حوزه دیگری است که یادگیری ماشین برای صرفه جویی در وقت ، تلاش و هزینه در آن وارد شده است. Cloud Vision API شرکت گوگل و تکنولوژی تشخیص دستخط MATLAB مبتنی بر یادگیری ماشین ، برای روش های طبقه بندی اسناد مورد استفاده قرار می گیرند.
به عنوان مثال – Ciox ، یک شرکت فناوری سلامت اروپایی است که از فناوری های یادگیری ماشین برای بهبود مدیریت اطلاعات بهداشتی و تبادل اطلاعات سلامت استفاده می کند. هدف تسهیل دسترسی به داده های بالینی ، مدرن سازی گردش کار در شرکت و بهبود دقت اطلاعات بهداشتی است. Ciox health همچنین نمودارهای هوشمندی تهیه کرده است که برای شناسایی و استخراج داده های بهداشتی از پرونده های پزشکی مختلف برای جمع آوری سابقه پزشکی بیمار در یک نمایه دیجیتالی مورد استفاده قرار می گیرد.
۶- پیش بینی بیماری ها
فناوری های یادگیری ماشین مختلفی برای استفاده در نظارت و پیش بینی شیوع بیماری در سراسر جهان مورد استفاده قرار می گیرند. دانشمندان به حجم گسترده ای از داده های جمع آوری شده از ماهواره ها ، سیستم عامل های رسانه های اجتماعی ، وب سایت ها و غیره دسترسی دارند. تکنیک های یادگیری ماشین از قبیل شبکه های عصبی مصنوعی ، به همکاری با این اطلاعات و پیش بینی بیماری های جزئی تا بیماری های عفونی مزمن کمک می کنند.
به عنوان مثال – محققان دانشگاه ناتینگهام انگلستان ، سیستمی را با کمک یادگیری ماشین و هوش مصنوعی ابداع کردند که اطلاعات پزشکی بیمار را اسکن کرده و پیش بینی می کند که کدام یک از بیماران ظرف ۱۰ سال آینده دچار حملات قلبی خواهند شد. سیستم های یادگیری ماشین و هوش مصنوعی ، در مقایسه با سیستم پیش بینی سنتی ، احتمال حمله قلبی را در بیش از ۳۰۰ بیمار به درستی پیش بینی کردند.
خلاصه
مردم باید از تصور اینکه کاربرد یادگیری ماشین برای آینده است، دست بردارند و در عوض ، از ابزارها و فرصت هایی که یادگیری ماشین در اختیار ما قرار می دهد ، استفاده کنند. این کاربردهای یادگیری ماشین ، رشته پزشکی را به حوزه‌ای کاملا جدید سوق می دهد که فکر کردن در مورد اینکه در آینده به کجا می رسد هیجان انگیز است.
اگر سوالی در مورد مزایای یادگیری ماشین در بهداشت و درمان دارید لطفا در بخش نظرات با ما به اشتراک بگذارید.
