خانه > تازه ها > Infervision : استفاده از هوش مصنوعی و یادگیری عمیق برای تشخیص سرطان
Infervision هوش مصنوعی

Infervision : استفاده از هوش مصنوعی و یادگیری عمیق برای تشخیص سرطان

فناوری تشخیص تصویر (همان تکنولوژی که فیس بوک برای تشخیص چهره یا Google برای جستجوی تصویر از آن استفاده می کنند) یکی روش ایده آل  برای به کار گیری هوش مصنوعی، به خصوص یادگیری عمیق است. . اکنون، این فناوری به سرعت در حال پیشرفت است تا بتواند جاه طلبی های بزرگتری مانند نجات جان اسان ها را تحقق بخشد.

مقاله مرتبط :

فناوری Infersion چگونه از کلان داده ها استفاده می کند؟

سرطان ریه عامل اصلی مرگ و میر در چین است و سالانه بیش از ۶۰۰۰۰۰ نفر عمدتا به دلیل آلودگی هوا جان خود را از دست می دهند. برای تشخیص سرطان ریه ، تصاویر سی تی اسکن توسط رادیولوژیست ها مورد بررسی قرار می گیرد تا در اسرع وقت علائم سرطان مشخص شود. با این حال ، در کشوری که با کمبود پزشک مواجه است، به خصوص رادیولوژیست های واجد شرایط ، این می تواند بدین معنا باشد که رادیولوژیست ها باید روزانه صدها عکس اسکن شده را بررسی کنند. این کار وقت گیر ، پر زحمت و بسیار ملالت آور است. خطای ساده انسانی ، که اغلب در اثر خستگی ایجاد می شود ، به این معنی است که اشتباه رخ داده است و تشخیص های مهم مربوط به بیماری از چشم پزشک دور مانده است. این مشکل الهام بخش چن کوان ، بنیانگذار استارت آپ تشخیص تصاویر پزشکی Infervision بوده است تا کار خود را بر روی یادگیری عمیق و تشخیص تصویر در دنیای پزشکی متمرکز کند.

 کوآن می گوید ، “کاری که ما می خواهیم انجام دهیم، استفاده از یادگیری عمیق برای رفع این مشکل بزرگ است. اگر بتوانیم از آن برای یادگیری از اشتباهات گذشته استفاده کنیم و در تشخیص دقیق تر عمل کنیم، می توانیم به حل مشکل در این حوزه کمک کرده باشیم. “

کوان و دو عضو تیم یک سال تمام را بر روی یک پروژه آزمایشی در بیمارستان Szechwan  گذراندند و یاد گرفتند که چگونه ابزار Infervision که در حال ساخت آن بودند می تواند با سیستم های بیمارستانی موجود ادغام شود. در طی آن سال ها ، آن ها شروع به تدریس و آموزش الگوریتم های خود کردند. این امر مستلزم استفاده از داده های واقعی از تصاویر اسکن شده قبلی برای افزایش دقت مدل در شناسایی علائم رشد سرطانی در تصاویر اسکن شده ریه ها بود.

در سال ۲۰۱۵ ، پس از تست موفقیت آمیز نمونه آزمایشی ، Infersion توانست ضمن جلب سرمایه گذاری، این پروژه را برای پوشش تعدادی از بیمارستان های دیگر چین گسترش دهد. امروزه ، این تجارت به دنبال شرکای بین المللی است تا بیشتر بتواند به رادیولوژیست ها در سراسر جهان در راستای تشخیص علائم سرطان کمک کند.

کوآن تاکید می کند که مأموریت Infersion بی نیاز کردن بیماران از رادیولوژیست های انسانی نیست. در عوض ، این فناوری طراحی شده تا به آن ها در تشخیص دقیق تر و کارآمدتر علائم سرطان بیش از همیشه کمک کند.

 وی همچنین گفته: “در چین فقط ۸۰،۰۰۰ رادیولوژیست مشغول به کارند که باید سالانه بر روی ۱٫۴ میلیارد عکس اسکن رادیولوژی کار کنند. با استفاده از هوش مصنوعی و یادگیری عمیق ، می توانیم کار آن پزشکان را تقویت کنیم. این فناوری به هیچ وجه جایگزین پزشکان نخواهد شد – این تکنولوژی طراحی شده است تا بسیاری از کارهای بسیار تکراری را از بین ببرد و پزشکان را قادر سازد تا خیلی سریعتر کار کنند. “.

جزئیات فنی

یادگیری عمیق از شبکه های عصبی عمیقی استفاده می کند که عملکرد مغز انسان را تقلید می کند. داده ها در امتداد شبکه های گره ها منتقل می شوند و این شبکه ها خود را با توجه به داده هایی که با حرکت از گرهی به گره دیگر پردازش می کنند تطبیق می دهند. به این ترتیب ، شبکه های عصبی با استفاده از داده های قبل از آن می توانند بیت بعدی از داده های موجود را کارآمد تر پردازش کنند. این توانایی “آموختن” از داده ها و توانایی یک سیستم برای آموزش مؤثر خود ، همان چیزی است که یادگیری عمیق را بسیار قدرتمند می کند.

کوآن و تیمش از روشی استفاده کردند که به آن “یادگیری نظارت شده” می گویند ، به معنای استفاده از مجموعه داده هایی است که نتیجه آن مشخص است (در این مورد ، تشخیص سرطان) برای “آموزش” نحوه واکنش به موارد دیگر در آینده به مدل است. همانطور که کوآن اظهار داشت ، “اساساً کاری که من انجام دادم این است که پیش بینی کنم آیا تصویر ایکس ری نرمال است یا نه.”

ایده ها و بینش هایی که از Infersion  می توان الهام گرفت

دیدن این که از هوش مصنوعی در این زمینه استفاده می شود بسیار جالب است . و البته ، این دقیقاً همان کاری است که ماشین ها در آن عملکرد درخشانی دارند. یک ماشین می تواند به طور مداوم به کار خود ادامه دهد بدون اینکه حوصله اش سر برود و یا لحظه ای تمرکزش را از دست بدهد. آنچه جالب توجه است ، دیدگاه کوآن نسبت به فناوری هوش مصنوعی است که به جای جایگزینی پزشکان ، کار رادیولوژیست انسانی را راحت تر می کند.

با داستان های زیادی که درباره افزایش اتوماسیون و تهدید آن برای مشاغل انسانی گفته می شود، یادآوری این که چگونه هوش مصنوعی می تواند به ما کمک کند تا انسان ها باهوش تر کار کنند، امری به جا و ضروری است.

بیشتر بخوانید :

منبع Bernard Marr
0/5 ( 0 نظر )

درباره‌ی احمدرضا جعفری

همچنین ببینید

یادگیری عمیق به زبان ساده شبکه باور عمیق

یادگیری عمیق به زبان ساده : شبکه باور عمیق – قسمت هفتم

یک ماشین بولتزمن محدود شده ( RBM ) می تواند ویژگی ها را استخراج کرده …

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *