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
 چگونه هوش مصنوعی به پیشرفت پزشکی و تحقیقات کمک می‌کند؟

چگونه هوش مصنوعی به پیشرفت پزشکی و تحقیقات کمک می‌کند؟

براساس آخرین تحقیقات هوش مصنوعی (AI) از داده‌های مصنوعی، بیمار برای شبیه‌سازی سیستم سلامت یادگیری، از قابلیت یادگیری ماشین (LHS) استفاده می‌کند. به گزارش هوشیو، در سال‌های اخیر، تکنیک‌های یادگیری ماشین (ML) در‌زمینه پزشکی رشد قابل‌توجهی داشته است. به لطف عملکرد بالای مدل‌های یادگیری عمیق، ماشین‌ها حتی گاهی اوقات می‌توانند، فراتر از متخصصان بیماری‌ها را تشخیص داده و طبقه‌بندی کنند. برای انجام این کار، یک مدل باید از داده‌هایی مانند تصاویر پزشکی با دسترسی به اطلاعات شخصی بیماران استفاده کند. استفاده از این داده‌های شخصی باعث ایجاد مشکل در حریم خصوصی می‌شود. یکی از مهم‌ترین موانع تحقیق و توسعه، سیستم‌های سلامت یادگیری(LHS) ، عدم دسترسی به داده‌های بیماران EHR است.

EHR مخفف (Electronic health record) به معنی پرونده الکترونیک سلامت است، و به مجموعه‌ای از داده‌های درمانی، جمعیت‌شناختی، مراقبتی و بهداشتی بیماران و عموم مردم اطلاق می‌شود، که در قالبی دیجیتالی ذخیره می‌گردد. به کمک این پرونده‌ها پزشکان می‌توانند به‌صورت آنلاین، به گزارش سایر متخصصان و نتایج آزمایشات اخیر بیماران دسترسی داشته و این اطلاعات را با دکتر همکاران خود به اشتراک گذاشته یا با یکدیگر تبادل نمایند.

به لطف پیشرفت‌های فناوری داده‌های مصنوعی بیمار، این داده‌ها اخیراً به‌عنوان داده‌های جایگزین برای آزمایش فرایندهای جدید شامل داده‌های EHR پذیرفته شده است. در حال حاضر می‌توان دست به تولید داده‌های مصنوعی بیمار زد، به گونه‌ای که از آن برای توسعه LHS با قابلیت ML استفاده کرد و بدون محدودیت آنها را در بین جوامع تحقیقاتی به اشتراک گذاشت. با استفاده از این تکنیک، مجموعه داده‌های مصنوعی در مورد بیماری‌های قلبی عروقی، حتی سرطان، قبلاً به دست آمده است. در این زمینه، یک تیم تحقیقاتی از کالیفرنیا، یک فرایند قابل تکرار جدید با استفاده از بیماران مصنوعی پیشنهاد کردند که، برای  LHSپیش‌بینی خطر براساس داده‌های ML قابل استفاده بود. 

به‌طور مشخص، نویسندگان مقاله یک مطالعه تجربی با شبیه‌سازی انجام دادند. در این مطالعه، یک LHS پیش‌بینی خطر، با ساخت یک مدل پایهXGBoost ، برای بیماری‌های هدف مختلفی همچون سرطان ریه یا سکته، از داده‌های پرونده‌های سلامت الکترونیکی موجود (EHR) انجام شد. این مطالعه شبیه‌سازی در دو مرحله صورت پذیرفت: در مرحله اول، یک فرایند LHS جدید با قابلیت ML برای ایجاد یک پیش‌بینی خطرLHS ، برای سرطان ریه در بیماران مصنوعی پیشنهاد شد. در مرحله دوم، یک بیماری هدف متفاوت – سکته مغزی، برای بررسی اثربخشی فرایند جدیدLHS ، به‌منظور ایجاد پیش‌بینی خطر LHS ،با پیش‌بینی دقیق خطر برای بیماری‌های هدف مختلف، مورد استفاده قرار گرفت. نویسندگان یک طراحی LHS مبتنی بر داده و ML در سطح بالا، برای پیش‌بینی ریسک پیشنهاد کردند. در‌ابتدا، یک مدل ML از داده‌های اولیه بیمار EHR ساخته می‌شود. در مرحله بعدی، چرخه‌های یادگیری LHS به‌طور مداوم از داده‌های به‌روز بیمار برای بهبود مدل ML استفاده می‌کنند و به‌سرعت دست به انتشار مدل جدیدی می‌زنند، که پزشکان می‌توانند از آن برای پیش‌بینی خطر استفاده کنند.

پیشرفت پزشکی

LHS  فعال‌شده باML ، با‌استفاده از مجموعه‌ی داده‌ای از 30 هزار بیمار مصنوعی Synthea راه‌اندازی شد و مدل XGBoost برای پیش‌بینی خطر سرطان ریه استفاده شد. سپس، چهار مجموعه داده دیگر از 30 هزار بیمار تولید گردید. این چهار مجموعه داده جدید به‌منظور شبیه‌سازی اضافه‌شدن بیماران جدید، به‌صورت متوالی به اولین مجموعه داده به‌روز‌شده اضافه شدند، که این امر منجر به ایجاد مجموعه داده‌هایی مبتنی بر 60، 90، 120 و 150 هزار بیمار شد. در هر نمونه، مدل‌های جدید XGBoost ساخته شدند. نتایج نشان می‌دهد که، وقتی اندازه داده‌ها افزایش می‌یابد، عملکرد بهبود یافته و به 0.936 فراخوان و 0.962 AUC در مجموعه داده‌های 150 هزار بیمار می‌رسد. اثربخشی فرایند LHS جدید با قابلیتML ، با اجرای مدل‌های XGBoost ،برای پیش‌بینی خطر سکته مغزی در همان جمعیت بیماران Synthea تأیید شد.

این مقاله برای نخستین‌بار فرایند یک مدل ML را، براساس داده‌های پزشکی مصنوعی معرفی کرد. این مطالعه اثربخشی این رویکرد جدید LHS را ثابت کرد، و نشان داد که این رویکرد می‌تواند انواع مختلف بیماری را از داده‌های EHR درمان کند. مدل پیشنهادی تولید شده، به یادگیری از بیماران جدید برای بهبود عملکرد خود ادامه می‌دهد، تا زمانی که بتواند به پیش‌بینی خطر بیش از 95 درصد برای یادآوری و دقت معیارها برسد. در‌نهایت، نویسندگان بر این باورند که، از‌آنجایی‌که داده‌های واقعی با داده‌های مصنوعی متفاوت است، مدل‌های ML داده واقعی را می‌توان با تنظیم فراپارامتر بیشتر بهینه کرد.

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

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.