Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 تازه‌ترین کاربرد هوش مصنوعی در تشخیص تومورهای سرطانی

تازه‌ترین کاربرد هوش مصنوعی در تشخیص تومورهای سرطانی

برای شناختِ کاربردهای هوش مصنوعی در تشخیص تومورهای سرطانی، ابتدا باید با کاربرد «شبکه‌های عصبی در درمان» آشنا شد. همان‌طور که می‌دانید، برای کمک به هوش مصنوعی در تشخیص تومورهای سرطانی، شبکه‌های عصبی در درمان را می‌توان به گونه‌ای آموزش داد، تا از روی تصویر موجود، تومورهای سرطانی را تشخیص دهند. البته تا چندی پیش مشخص نبود که فناوری شبکه‌های عصبی در درمان چگونه تشخیص می‌دهند؛ ولی حالا یک گروه پژوهشی از مرکز تحقیقات تشخیص پروتئین دانشگاه رور بوخوم در حال پژوهش بر روی رویکردی هستند که نحوه‌ کارکرد هوش مصنوعی در تشخیص تومور را شفاف‌سازی می‌کند.

این تیم پژوهشی به رهبری پروفسور اکسل موسیگ در مقاله‌ای که در ژورنال Medical Image Analysis به چاپ رسیده، رویکرد خود را توضیح داده‌اند.

برای انجام این پژوهش، پروفسور اکسل موسیگ (مهندس بیوانفورماتیک) با پروفسور آندریا تاناپفل (رئیس مؤسسه پاتولوژی)، پروفسور آنکه ریناچر-شیک (انکولوژیست) از بیمارستان سنت جوزفِ دانشگاه رور بوخوم و پروفسور کلاوس گرورت (متخصص بیوفیزیک، مدیر و مؤسس PRODI همکاری کرد. این تیم پژوهشی یک شبکه عصبی در درمان (یا به عبارتی یک شبکه هوش مصنوعی در تشخیص تومور) توسعه داده‌اند که می‌تواند وجود تومور را در نمونه بافت‌های اولیه تشخیص دهد. آن‌ها برای آموزش این شبکه عصبی در درمان، تعداد زیادی از عکس‌های میکروسکوپی بافت را (هم بافت‌هایی حاوی تومور و هم بافت‌هایی که تومور نداشتند) به آن وارد کردند.

طبق توضیحات اکسل موسیگ، «شبکه‌های عصبی، مخصوصاً شبکه عصبی در درمان نوعی جعبه سیاه هستند: به عبارت دیگر، مشخص نیست این شبکه‌ها از کدام یک از ویژگی‌های داده‌های آموزشی می‌آموزند.» شبکه‌های عصبی برخلاف انسان‌ها قادر به توضیح تصمیمات خود نیستند. برای آن‌که هوش مصنوعی در تشخیص تومور و شبکه عصبی در درمان بهتر عمل‌کند، بنا به گفته دیوید شوماخر (مهندس بیوانفورماتیک)، «با این حال، به‌ویژه در حوزه پزشکی، مهم است که هوش مصنوعی در تشخیص تومور بتواند توضیحی برای تصمیمات خود ارائه دهد تا بتوانیم به آن اعتماد کنیم.»

هوش مصنوعی در تشخیص تومور

شبکه عصبی در درمان مبتنی بر فرضیه‌های ابطال‌پذیر است

در این روش، هوش مصنوعی در تشخیص تومور درست عمل می‌کند، چرا که می‌تواند دلیل تصمیم‌گیری‌های خود را توضیح دهد. تیمِ هوش مصنوعی توضیح‌پذیرِ بوخوم بر یک اصل شناخته‌شده در حوزه دانش‌های تجربی، استوار است و آن اصل چیزی به غیر از فرضیه‌های ابطال‌پذیر نیست. اگر فرضیه‌ای از فرضیه‌های ابطال‌پذیر باشد، باید بتوان آن را از طریق آزمایش اثبات کرد. معمولاً هوش مصنوعی در تشخیص تومور، اغلب از اصل استدلال استقرایی پیروی می‌کند؛ یعنی با مشاهدات عینی تصمیم می‌گیرد یا به عبارت دیگر، با کمک داده‌های آموزشی نتیجه‌گیری می‌کند. در این روش هوش مصنوعی یک مدل کلی بر اساس ارزیابی‌اش از مشاهدات ایجاد می‌کند و به فرضیه‌های ابطال‌پذیر می‌رسد.

این مشکل را 250 سال پیش دیوید هیوم (فیلسوف) توضیح داده‌ است؛ او می‌گوید: «اهمیتی ندارد چند قویِ سفید می‌بینیم، هیچ‌وقت نمی‌توانیم از روی این اطلاعات تصمیم بگیریم که تمامی قوی‌ها سفید هستند و هیچ قوی سیاهی وجود ندارد. علم بر پایه چنین منطق استنتاجی استوار است. برای مثال، این فرضیه که تمامی قوی‌ها سفید هستند در صورت مشاهده یک قوی سیاه باطل می‌شود. این رویکرد، نقطه شروع فرضیه‌های ابطال‌پذیر است.

هوش مصنوعی در تشخیص تومور

نگاشت فعال‌سازی به هوش مصنوعی در تشخیص تومور کمک می‌کند

نگاشت فعال‌سازی به کمک بیماران سرطانی می‌آید، چرا که به هوش مصنوعی در تشخیص تومور کمک فراوانی می‌کند. به گفته استفانی شرنر (فیزیکدانی که در این تحقیق مشارکت داشته)، «در نگاه اول، هوش مصنوعی استقرایی و متد علمی استنتاجی مغایر یکدیگر به نظر می‌رسند.» اما حالا پژوهشگران راهی برای حل این مشکل یافته‌اند. شبکه عصبی جدیدی که آن‌ها توسعه داده‌اند، هم نمونه بافت‌هایی را که تومور دارد و هم نمونه‌ بافت‌هایی که تومور ندارند، دسته‌بندی می‌کند؛ این شبکه‌های عصبی در درمان، یک نگاشت فعال‌سازی از تصویر میکروسکوپی بافت نیز ایجاد می‌کند.

نگاشت فعال‌سازی بر پایه فرضیه‌‌های ابطال‌پذیر استوار است؛ به عبارت دیگر، فعال‌سازی استخراج‌شده از شبکه عصبی دقیقاً با محل تومور مطابقت دارد. در نگاشت فعال‌سازی برای هوش مصنوعی در تشخیص تومور از متدهای مولکولی اختصاصی یک سایت برای آزمایش این فرضیه‌ها می‌توان استفاده کرد.

به گفته اکسل موسیگ، «به لطف ماهیت بین‌رشته‌ای PRODI، در آینده به بهترین پیش‌نیازها برای ترکیب رویکرد فرضیه محور در توسعه هوش مصنوعی در تشخیص تومور، شاخص زیستی قابل اعتماد دسترسی داریم، برای مثال، در آینده قادر خواهیم بود، تا انواع تومورها را تمیز دهیم و درمان مرتبط با هرکدام را مشخص کنیم.»

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

مقاله ما چطور بود؟

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.