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
 به‌کارگیری هوش مصنوعی و یادگیری ماشین برای درمان بیماران کرونایی در سراسر جهان

به‌کارگیری هوش مصنوعی و یادگیری ماشین برای درمان بیماران کرونایی در سراسر جهان

اِن‌ویدیا (رهبر فناوری مراقبت‌های بهداشتی) به همراه بیمارستان آدن‌بروک کمبریج و 20 بیمارستان دیگر از سراسر جهان از هوش مصنوعی (AI) برای پیش‌بینیِ نیازهای بیماران کرونایی به اکسیژن در مقیاس وسیع استفاده کرده‌اند. در این پژوهش‌ها که در پی شیوع بیماری همه‌گیر کووید-19 مورد توجه قرار گرفت، ساخت ابزار AI برای پیش‌بینی مقدار اکسیژن اضافی که یک بیمار کرونایی در روزهای نخست بستری در بیمارستان احتیاج دارد مد نظر بود. پژوهشگران از داده‌های چهار قاره برای پیشبرد اهداف پژوهشی خود استفاده کردند.

در روش موسوم به یادگیری همیارانه Federated learning، از الگوریتمی برای تحلیل تصویربرداری‌های با اشعه ایکس از قفسه سینه و داده‌های الکترونیکی سلامت از بیماران بستری در بیمارستان با علائم کرونا استفاده شد. برای حفظ محرمانگی اطلاعات بیماران، داده‌های مربوط به ایشان به‌صورت کاملاً ناشناس مورد استفاده قرار گرفت و الگوریتمی به هر بیمارستان ارسال شد تا هیچ داده‌ای به اشتراک گذاشته نشود یا از محل خود خارج نشود. پس از آموزش الگوریتم با استفاده از این داده‌ها، تجریه‌وتحلیل‌ها گردآوری شد تا ابزار هوشمندی ساخته شود که بتواند میزان اکسیژن مورد نیاز بیماران کرونایی بستری در بیمارستان در هرکجای جهان را پیش‌بینی کند.

بیماران کرونایی

یادگیری همیارانه بالینی

این پژوهش که در مجله پزشکی نیچر با نام EXAM (EMR CXR AI Model) چاپ شد، یکی از بزرگ‌ترین و متنوع‌ترین پژوهش‌های یادگیری همیارانه بالینی، تا به امروز، است. محققان، دقت این ابزار را در بیمارستان‌های مختلف جهان، از جمله بیمارستان آدن‌بروک، آزمایش کردند. بر اساس نتایج، اکسیژن مورد نیاز بیماران کرونایی در طی 24 ساعت نخست حضورشان در بخش اورژانس با حساسیت %95 و شخصی‌بودگی بیش از 88٪ پیش‌بینی شد.

[irp posts=”21009″]

پروفسور فیونا گیلبرت، که این مطالعه را در کمبریج هدایت کرد و رادیولوژیست افتخاری مشاور در بیمارستان آدن‌بروک و مدیر بخش رادیولوژیِ دانشکده پزشکی بالینی دانشگاه کمبریج است، خاطرنشان کرد: «یادگیری همیارانه از قدرت لازم برای انتقال نوآوری هوش مصنوعی به حوزه بالینی برخوردار است. تحقیقات ما نشان می‌دهد که این نوع همکاری‌های جهانی بسیار کارآمد و تکرارپذیرند، در این شرایط است که می‌توان نیازهای متخصصان بالینی را برطرف کرد و بر چالش‌های بهداشتی پیچیده و همه‌گیری‌های آینده فائق آمد.»

EXAM

دکتر ایتای دایان، نویسنده اول مقاله از بیمارستان خصوصی مس جنرال بیرمنگام در آمریکا که الگوریتم EXAM در آنجا توسعه یافت، گفت: «معمولاً در فرایند توسعه‌ AI، وقتی الگوریتمی بر اساس داده‌های یک بیمارستان ایجاد می‌کنید، آن‌چنان که باید و شاید در سایر بیمارستان‌‌ها کار نمی‌کند. با توسعه‌ مدل EXAM با استفاده از یادگیری همیارانه و داده‌های عینی و چندوجهی از قاره‌های مختلف توانستیم مدل تعمیم‌پذیری بسازیم که می‌تواند به پزشکان سراسر جهان در خط مقدم کمک شایانی بکند.»

پژوهش EXAM با همکاری محققانی از آمریکای جنوبی و شمالی، اروپا و آسیا به انجام رسید. این مدل فقط به دو هفته برای «آموزش» AI نیاز داشت تا پیش‌بینی‌های دقیقی انجام دهد. دکتر مونا جی. فلورس، مدیر هوش مصنوعی پزشکی در شرکت اِن‌ویدیا، اظهار داشت: «یادگیری همیارانه این فرصت را در اختیار محققان قرار داد تا با همکاری با یکدیگر استاندارد جدیدی برای آنچه به کمک قدرت AI در سراسر جهان می‌توان کرد تنظیم کنند. انتظار می‌رود هوش مصنوعی نه‌تنها در مراقبت‌های بهداشتی، بلکه در کلیه صنایعی که به‌دنبال ساخت مدل‌های مقاوم هستند بدون اینکه حریم خصوصی را قربانی کنند، به پیشرفت‌های چشمگیری برسد.»

[irp posts=”21042″]

در این پژوهش، نتایج حدود 000/10 بیمار کرونایی در سراسر جهان، تحلیل شد؛ از جمله 250 نفری که در موج اول بیماری کووید-19 در ماه‌های مارس و آوریل به بیمارستان آدن‌بروک مراجعه کردند.

این پژوهش با حمایت مؤسسه ملی تحقیقات سلامت و مرکز پژوهش‌های زیست‌پزشکی کمبریج انجام شد. پرفسور گیلبرت در پایان گفت: «تولید نرم‌افزاری که با عملکرد برترین رادیولوژیست‌ها هم‌خوانی داشته باشد کار بسیار پیچیده‌ای است، اما به‌راستی آرزویی تحول‌آفرین است. هرچه با امنیت بیشتری اطلاعات منابع مختلف را با استفاده از یادگیری همیارانه و مشارکتی تجمیع کنیم و فضای لازم برای نوآوری را نیز داشته باشیم، دانشگاهیان سریع‌تر می‌توانند آن اهداف تحول‌آفرین را بدل به واقعیت کنند.»

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.