Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
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
رویدادها
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 سرطان و تلاش برای درمان آن با ابزارهای پزشکی هوش مصنوعی

سرطان و تلاش برای درمان آن با ابزارهای پزشکی هوش مصنوعی

زمان مطالعه: 2 دقیقه

محققان برای بهره‌برداری کامل از ظرفیت‌های هوش مصنوعی به منظور درمان بیماران مبتلا به سرطان، باید ثابت کنند که امکان تکرار موفقیت‌های یادگیری ماشین در حوزه‌ها و بیماران مختلف وجود دارد. در همین راستا، محققان مهندسی زیست‌پزشکی «کیس وسترن رزرو» در تلاش‌اند تا الگوریتم‌های جدیدشان را در اسکن بیماران مناطق مختلف به کار گیرند و از ابزارهای پزشکی هوش مصنوعی برای درمان آن بهره ببرند.

برای نمونه، چندی پیش، محققان یافته‌های امیدبخشی درباره تشخیص سرطان ریه 400 بیمار با استفاده از ابزارهای پزشکی هوش مصنوعی منتشر کردند. این بیماران در سه نظام مراقبت‌ پزشکی مختلف پذیرش شده بودند. بر اساس یافته‌های یکی از مطالعات انجام شده در سال 2020، روش جدید توانست وقوع مجدد بیماری را در میان 610 بیمار مبتلا به سرطان ریه پیش‌بینی کند. لازم به ذکر است که این بیماران در چهار مرکز درمانی مختلف معاینه و بستری شدند.

ابزارهای پزشکی هوش مصنوعی
آنانت مادابوشی – مدیر مرکز عکس‌برداری محاسباتی و تشخیص فردی دانشگاه اوهایو – در توضیحاتی اظهار داشت: «این گام بسیار بزرگی است که می‌تواند هوش مصنوعی را به ابزار ارزشمندی برای متخصصان بالینی تبدیل کند. بررسی بیشترِ این موضوع باید در دستور کار قرار گیرد. برای نمونه، می‌دانیم که بیمارستان‌های مختلف می‌توانند بیماران را با دستگاه‌های سی‌تی اسکن مختلف، اسکن کنند. ماحصل این کار، تصاویری با ظاهر مختلف است. بنابراین، امیدواریم هوش مصنوعی بتواند این مشکلات را از سر راه بردارد. بنابراین، اگر پزشکان و متخصصان بالینی به هوش مصنوعی اعتماد کرده و در مقیاس گسترده از آن استفاده کنند، بیماران از امکان‌پذیر بودن تشخیص رایانه‌ای اطمینان می‌یابند.»

گام‌های بعدی: اثبات نتایج تکرارپذیر

محققان به اصل تکرارپذیری یا تعمیم اعتقاد دارند. بر اساس این ایده، روش‌ها، درمان‌ها یا ابزارهای مختلف می‌توانند تحت هر شرایطی موثر واقع شوند؛ فرقی نمی‌کند چه متغیری به کار برده شود. برخی محققان این هدف را دور از دسترس قلمداد می‌کنند.

محققان موانع متعددی را برای تحقق آن شناسایی کرده‌اند که از جمله آنها می‌توان به نحوه عکس‌برداری دستگاه‌های سی‌تی اسکن، تفاوت‌های سخت‌افزاری و نرم‌افزاری و ویژگی‌های جمعیت‌شناختی بیماران اشاره کرد. به همین منظور، مادابوشی و همکارانش در تلاش‌اند تا آزمایش‌های بالینی آینده‌نگر را با استفاده از علائم تعمیم‌یافته هوش مصنوعی در تصاویر سی‌تی اسکن بیمارانِ مبتلا به سرطان ریه پیاده‌سازی کنند.

این محققان مشغول به همکاری با بیمارستان‌های واقع در «نورث‌ایست اوهایو» هستند تا تعمیم‌پذیریِ این ابزارهای هوش مصنوعی را در مسائل مربوط به تشخیص و پیش‌بینیِ سرطان ریه ارزیابی کنند.اکنون، تحقیقات جدید بر پایه‌ی یافته‌های پیشینِ مرکز عکس‌برداری محاسباتی و تشخیص فردی صورت می‌گیرد.

ایجاد و توسعه مدل‌های تعمیم‌پذیر هوش مصنوعی

در سال‌های گذشته، این مرکز در تلاش بوده تا مدل‌های تعمیم‌پذیر هوش مصنوعی را ایجاد و توسعه بخشد. افزون بر این، طراحی چارچوبی رسمی‌تر برای شناسایی ویژگی‌های دقیق و پایدار نیز در دستور کار قرار دارد. در ضمن، روش جدید باید در مطالعات و موسسات بیشتری اعتبارسنجی شود. در همین راستا، مقاله‌ی پژوهشی «محمدهادی خرمی» – دانشجوی مهندسی زیست‌پزشکی در مقطع دکتری – و همکارانش چندی پیش در مجله «Lung Cancer» منتشر شد که به همین موضوع می‌پردازد.

آنانت مادابوشی و همکارانش در مرکز عکس‌برداری محاسباتی و تشخیص فردی دانشگاه اوهایو، ابزار هوش مصنوعی خود را با موفقیت به کار برده‌اند. با بکارگیری این ابزار، بیماران مبتلا به سرطان ریه واکنش خوبی در مقابل شیمی‌درمانی و ایمنی‌درمانی نشان می‌دهند.

در برخی موارد، هوش مصنوعی نشان می‌دهند که آیا امکان بقای بیمار وجود دارد یا خیر. اما این نتایج از تحلیل داده‌ها یا تصاویر موجود به دست آمده‌اند و تنها یک گروه از بیماران مبتلا به سرطان را دربرمی‌گیرد. حال، محققان به جای اینکه به رایانه‌ها آموزش دهند تا بر ویژگی‌های تصاویر سی‌تی اسکن تمرکز کنند (تصاویری که تفاوت میان تومورهای بدخیم و خوش‌خیم را مشخص می‌کند)، هوش مصنوعی را به نحوی برنامه‌نویسی کرده‌اند تا ویژگی‌های کمتری به خاطر بسپارد، حتی در صورتی که آن ویژگی‌ها با خود سرطان ارتباطی نداشته باشند. محمدهادی خرمی صدها ویژگی تصاویر را مورد ارزیابی قرار داده است.

خرمی در پایان بیان کرد: « ما مجموعه‌ای از دقیق‌ترین ویژگی‌ها را شناسایی کردیم. در عین حال، گردآوری داده ها از مکان‌های مختلف نیز برای ما حائز اهمیت بود. بنابراین، وقتی مدل‌های یادگیری ماشین را با این ویژگی‌های دقیق و باثبات ارزیابی کردیم، شاهد عملکرد بهترِ این مدل‌ها در مقایسه با سایر مدل‌ها بودیم.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]