تصویر: با پیشرفت یادگیری ماشین، کاربردهای آن، شامل تشخیص پزشکی، سریع تر و دقیق تر می شوند. Shutterstock
 
 
هنگامی که AlphaGo گوگل دیپ مایند (ذهن عمیق گوگل Google DeepMind) به طور تکان دهنده ای بازیکن افسانه ای Go Lee Sedol را در سال 2016 شکست داد، اصطلاحات هوش مصنوعی(artificial intelligence) (AI) ، یادگیری ماشین و یادگیری عمیق وارد جریان اصلی فن آوری شد.
 
هوش مصنوعی به طور کلی به عنوان ظرفیت رایانه یا ماشین برای نمایش یا شبیه سازی رفتار هوشمندانه، مانند اتومبیل رانندگی تسلا و دستیار دیجیتالی سیری (Siri) اپل، تعریف می شود. هوش مصنوعی، زمینه ای پر رونق است و محل تمرکز تحقیقات و سرمایه گذاری های زیادی است. هنگامی که استفاده حتی از یک دقیقه می تواند به معنای نجات یک زندگی باشد، هوش مصنوعی و یادگیری ماشین ممکن است برای کارکنان مراقبت های پزشکی و بیماران تحول ساز باشد. یادگیری ماشین، توانایی یک سیستم هوش مصنوعی برای استخراج اطلاعات از داده های خام و یادگیریِ انجام پیش بینی از داده های جدید است.
 
یادگیری عمیق، هوش مصنوعی را با یادگیری ماشین ترکیب می کند. این مربوط به الگوریتم هایی است که از ساختار و عملکرد مغز به نام شبکه های عصبی مصنوعی الهام گرفته شده اند. یادگیری عمیق اخیراً هم در جهان مصرف کننده و هم در کل جامعه پزشکی مورد توجه بسیاری قرار گرفته است.
 
علاقه به یادگیری عمیق با موفقیت الکس نت خروشان شد که یک شبکه عصبی طراحی شده توسط الکس کریژفسکی است که برنده مسابقه تشخیص تصویری مقیاس بزرگ ImageNet در سال 2012 شد، که یک مسابقه طبقه بندی سالانه تصویر است.
 
یکی دیگر از پیشرفت های نسبتاً اخیر، استفاده از واحدهای پردازش گرافیکی (GPUها) برای تأمین قدرت الگوریتم های یادگیری عمیق است. GPUها در محاسبات (ضرب ها و جمع ها)، مورد نیاز برای برنامه های یادگیری عمیق، برتری دارند، و در نتیجه زمان پردازش برنامه را کاهش می دهند.
 
در آزمایشگاه ما در دانشگاه ساسکاچوان، ما در حال انجام تحقیقات یادگیری عمیق جالب در رابطه با برنامه های کاربردی مراقبت های پزشکی هستیم – و من به عنوان استاد مهندسی برق و کامپیوتر، تیم تحقیق را هدایت می کنم. هنگامی که صحبت از مراقبت های پزشکی می شود، استفاده از هوش مصنوعی یا یادگیری ماشین برای تشخیص، امری جدید است و پیشرفت مهیج و امیدوار کننده ای رخ داده است.
 

استخراج رگ های خونی در چشم

آشکار سازی رگ های خونی غیر طبیعی شبکیه برای تشخیص دیابت و بیماری های قلبی مفید است. به منظور ارائه تفسیر پزشکی معتبر و معنی دار، عروق شبکیه باید از تصویر شبکیه استخراج شوند. اگرچه تقسیم دستی امکان پذیر است، اما یک کار پیچیده، وقت گیر و خسته کننده است که به مهارت های حرفه ای پیشرفته ای نیاز دارد.
 
تیم تحقیقاتی من سیستمی را ایجاد کرده اند که می تواند رگ های خونی شبکیه را به سادگی با خواندن تصویر خام شبکیه تقسیم کند. این یک سیستم تشخیصی به کمک رایانه است که کار مورد نیاز توسط متخصصان مراقبت از چشم و چشم پزشکان را کم می کند و تصاویر را 10 برابر سریع تر پردازش می کند، ضمن این که دقت بالایی را حفظ می کند.
 

تشخیص سرطان ریه

توموگرافی رایانه ای (CT) برای تشخیص سرطان ریه به طور گسترده ای مورد استفاده قرار می گیرد. با این حال، از آن جا که بازنمایی های بصری از ضایعات خوش خیم (غیر سرطانی) و بدخیم (سرطانی) در اسکن CT مشابه هستند، یک سی تی اسکن نمی تواند همیشه یک تشخیص قابل اعتماد ارائه دهد. این حتی در مورد کار مهارتی یک رادیولوژیست قفسه سینه با سال ها تجربه صادق است. رشد سریع تجزیه و تحلیل سی تی اسکن نیاز مبرمی به ابزارهای محاسباتی پیشرفته برای کمک به رادیولوژیست ها در پیشرفت غربالگری ایجاد کرده است.
 
برای بهبود عملکرد تشخیصی رادیولوژیست ها، ما یک راه حل یادگیری عمیق را پیشنهاد کرده ایم. بر اساس یافته های تحقیق ما، راه حل ما از راه حل استفاده از رادیولوژیست های با تجربه بهتر است. علاوه بر این، استفاده از یک راه حل مبتنی بر یادگیری، عملکرد تشخیصی را به طور کلی بهبود می بخشد و رادیولوژیست های با تجربه ی کمتر، از سیستم سود می برند.
 

تصویر: تصویری از نرم افزار تشخیص سرطان ریه. Seokbum Ko توسط نویسنده ارائه شده است.
 

محدودیت ها و چالش ها

اگرچه نوید های بزرگی با الگوریتم های یادگیری عمیق در کارهای مختلف در زمینه رادیولوژی و پزشکی ارائه داده شده است، اما این سیستم ها دور از یک حالت ایده آل کامل هستند. دستیابی به مجموعه داده های تفسیر نویسی با کیفیت بالا، یک چالش برای آموزش یادگیری عمیق خواهد بود. برای اطمینان از پردازش سریع سیستم های یادگیری عمیق، یک بستر سخت افزاری کارآمد لازم است. بیشتر تحقیقات دید رایانه بر اساس تصاویر طبیعی انجام می شود، اما برای برنامه های مراقبت های پزشکی، ما نیاز به مجموعه داده های تصویری بزرگ پزشکی حاشیه نویسی داریم.
 
یکی دیگر از چالش ها از دیدگاه بالینی، زمان این آزمایش خواهد بود که در مقایسه با رادیولوژیست های انسانی، تکنیک های یادگیری عمیق چقدر خوب انجام می شوند.
 
باید همکاری بیشتری بین پزشکان و دانشمندان یادگیری ماشین وجود داشته باشد. درجه بالای پیچیدگی فیزیولوژی انسان نیز برای تکنیک های یادگیری ماشین یک چالش خواهد بود.
 
چالش دیگر، الزامات برای اعتبارسنجی یک سیستم یادگیری عمیق برای اجرای بالینی است که احتمالاً نیاز به همکاری چند نهاد و مجموعه داده های بزرگ دارد. سرانجام، برای اطمینان از پردازش سریع سیستم های یادگیری عمیق، یک بستر سخت افزاری کارآمد لازم است.
 
در دنیای پیچیده مراقبت های پزشکی، ابزارهای هوش مصنوعی می توانند از پزشکان متخصص در ارائه خدمات سریع تر و تشخیص دقیق تر پشتیبانی کنند و داده ها را برای شناسایی روندها یا اطلاعات ژنتیکی که ممکن است شخص را به یک بیماری خاص مستعد کنند، تجزیه و تحلیل کنند. هنگامی که استفاده حتی از یک دقیقه می تواند به معنای نجات یک زندگی باشد، هوش مصنوعی و یادگیری ماشین ممکن است برای کارکنان مراقبت های پزشکی و بیماران تحول ساز باشد.
 
منبع: سوکبوم کو – University of Saskatchewan