شرکتهای فنی از جمله آمازون و نیز فروشگاه ها و کمپانی های خودروسازی میلیاردها دلار را صرف ساخت و توسعه مدلهای دید کامپیوتری می کنند. اما آنها تنها نیستند. حوزه بهداشت و درمان نیز در حال پیوستن به این مجموعه است.
نحوه تغییر الگوی بهداشت و درمان توسط هوش مصنوعی
پیشرفت در فناوری هوش مصنوعی موجب گسترش مرزهای بهداشت و درمان، بهبود ابزارهای تشخیصی و درمانی و نیز کمک به متخصصان این حوزه در تشخیص مؤثرتر بیماریها می شود. این امر بدون شک بهبود در نتایج حاصل از مراقبت از بیمار و کاهش تأخیر در زنجیره مراقبتی را به همراه دارد. در ادامه به برخی از کاربردهای کلیدی هوش مصنوعی به عنوان ابزاری برای کمک به کادر درمانی اشاره می کنیم.
غربالگری سرطان
الگوریتم های دید کامپیوتری و یادگیری ماشینی نوید بخش در امر تشخیص ضایعات پیش سرطانی با استفاده از کوچکترین جزئیات موجود در تصاویر بدست آمده از بافت، افزایش حساسیت و دقت در تست های غربالگری سرطان بوده اند.
به عنوان مثال در زمینه غربالگری سرطان پوست، محققان هوش مصنوعی مدل هایی از دید کامپیوتری را تولید کرده اند که می توانند تصاویر و نمونه های بیوپسی پوست فرد را برای تغییرات سرطانی بسیار سریعتر و دقیق تر از یک پزشک تجزیه و تحلیل کنند.
تشخیص سرطان پوست به دلیل تغییر پذیری جزئی در ظاهر پوست سرطانی می تواند یک کار چالش برانگیز به حساب آید. دانشمندان در آزمایشگاه هوش مصنوعی دانشگاه استنفورد با استفاده از شبکه های عصبی کانولوشنی یا پیچشی (CNNs) عمیق، موفق به ساخت مدلی شده اند که می تواند تصاویر پوست را در برابر مجموعه داده های بدست آمده از بالغ بر 120000 تصویر سرطان پوست تجزیه و تحلیل کند. نتایج حاصله نشان می دهند که این مدل CNN سرطان پوست را به همان اندازه متخصص پوست و مو به طور مؤثر تشخیص و طبقه بندی می کند.
به طور مشابه دید کامپیوتری می تواند با الگوریتم های هدف گذاری شده برای تشخیص و طبقه بندی تغییرات سرطانی بدست آمده از میلیون ها تصویر ماموگرافی حاوی نمونه های سالم و نیز غیر سالم، در غربالگری سرطان سینه بکار برده شود. بکارگیری این الگوریتم ها در ارزیابی تصویر، نامحسوس ترین الگوی سرطانی یا پیش سرطانی را در عرض چند ثانیه تشخیص داده و یک منبع مکمل عالی برای پزشکان فراهم می سازد.
در آزمایشگاه علوم کامپیوتر و هوش مصنوعی ام آی تی (MIT) و بیمارستان عمومی ماساچوست، محققان موفق به تهیه نوعی مدل یادگیری عمیق جدید شده اند که می تواند خطر 5 ساله ابتلاء به سرطان سینه را از یک تصویر ماموگرافی تشخیص دهد. این مدل با استفاده از بالغ بر 90000 تصویر ماموگرافی بدست آمده از بیماران این بیمارستان در تشخیص الگوهای بافت سرطانی در سینه هدف گذاری شده است. مدل مذکور با استفاده از این داده ها الگوهای پیش سرطانی بافت سینه که از چشم انسان به دور مانده اند را تشخیص می دهد.
همچنین تشخیص سرطان استخوان با استفاده از مدل های یادگیری ماشینی آسانتر شده استهمچنین تشخیص سرطان استخوان با استفاده از مدل های یادگیری ماشینی آسانتر شده است. شرکت نرم افزاری RSIP Visionنوعی فناوری پردازش تصویر طراحی کرده است که می تواند نواحی از ضایعات اولیه و ثانویه سرطانی را در تصاویر استخوان معلوم ساخته و بدین ترتیب پزشکان قادر خواهند بود سرطان استخوان را زودتر و سریعتر تشخیص دهند. این داده های دقیق همچنین به پزشکان در ارائه خدمات درمانی شخصی سازی شده برای بیماران کمک می کند.
به عنوان مثال در زمینه غربالگری سرطان پوست، محققان هوش مصنوعی مدل هایی از دید کامپیوتری را تولید کرده اند که می توانند تصاویر و نمونه های بیوپسی پوست فرد را برای تغییرات سرطانی بسیار سریعتر و دقیق تر از یک پزشک تجزیه و تحلیل کنند.
تشخیص سرطان پوست به دلیل تغییر پذیری جزئی در ظاهر پوست سرطانی می تواند یک کار چالش برانگیز به حساب آید. دانشمندان در آزمایشگاه هوش مصنوعی دانشگاه استنفورد با استفاده از شبکه های عصبی کانولوشنی یا پیچشی (CNNs) عمیق، موفق به ساخت مدلی شده اند که می تواند تصاویر پوست را در برابر مجموعه داده های بدست آمده از بالغ بر 120000 تصویر سرطان پوست تجزیه و تحلیل کند. نتایج حاصله نشان می دهند که این مدل CNN سرطان پوست را به همان اندازه متخصص پوست و مو به طور مؤثر تشخیص و طبقه بندی می کند.
به طور مشابه دید کامپیوتری می تواند با الگوریتم های هدف گذاری شده برای تشخیص و طبقه بندی تغییرات سرطانی بدست آمده از میلیون ها تصویر ماموگرافی حاوی نمونه های سالم و نیز غیر سالم، در غربالگری سرطان سینه بکار برده شود. بکارگیری این الگوریتم ها در ارزیابی تصویر، نامحسوس ترین الگوی سرطانی یا پیش سرطانی را در عرض چند ثانیه تشخیص داده و یک منبع مکمل عالی برای پزشکان فراهم می سازد.
در آزمایشگاه علوم کامپیوتر و هوش مصنوعی ام آی تی (MIT) و بیمارستان عمومی ماساچوست، محققان موفق به تهیه نوعی مدل یادگیری عمیق جدید شده اند که می تواند خطر 5 ساله ابتلاء به سرطان سینه را از یک تصویر ماموگرافی تشخیص دهد. این مدل با استفاده از بالغ بر 90000 تصویر ماموگرافی بدست آمده از بیماران این بیمارستان در تشخیص الگوهای بافت سرطانی در سینه هدف گذاری شده است. مدل مذکور با استفاده از این داده ها الگوهای پیش سرطانی بافت سینه که از چشم انسان به دور مانده اند را تشخیص می دهد.
همچنین تشخیص سرطان استخوان با استفاده از مدل های یادگیری ماشینی آسانتر شده استهمچنین تشخیص سرطان استخوان با استفاده از مدل های یادگیری ماشینی آسانتر شده است. شرکت نرم افزاری RSIP Visionنوعی فناوری پردازش تصویر طراحی کرده است که می تواند نواحی از ضایعات اولیه و ثانویه سرطانی را در تصاویر استخوان معلوم ساخته و بدین ترتیب پزشکان قادر خواهند بود سرطان استخوان را زودتر و سریعتر تشخیص دهند. این داده های دقیق همچنین به پزشکان در ارائه خدمات درمانی شخصی سازی شده برای بیماران کمک می کند.
تشخیص بیماری
دانشمندان در حال بکارگیری سیستم های یادگیری عمیق و برنامه نویسی زبان طبیعی (NLP) به منظور جمع آوری اطلاعات بیمار، تجزیه و تحلیل پاسخهای او به درمان و بهتر ساختن امر تشخیص در مصاحبه قبل از ویزیت هستند. این سیستم قبل از مراجعه بیمار برای ویزیت، یافته های بدست آمده را برای پزشک ارسال می کند.
الی (Ellie) نوعی برنامه دید کامپیوتری منظور شده برای تشخیص بیماری است که توسط دانشمندان مؤسسه فناوری های خلاقانه دانشگاه کالیفرنیای جنوبی طراحی شده است. الی چندین سؤال از بیمار پرسیده و با استفاده از وب کم و حسگر داخلی، صورت بیمار را اسکن کرده تا حرکات صورت و بدن آنها را ارزیابی نماید و بدین ترتیب بتواند تشخیص های احتمالی را تهیه کند.
الی می تواند با مقایسه نشانه های کلامی و همچنین حرکات ظریف صورت و بدن و با بکار گیری مجموعه داده های قرار داده شده در آن، بیمارانی با مشکلات سلامت روان از جمله افسردگی و اضطراب را تشخیص دهد. در حالی که این برنامه نمی تواند جایگزین پزشک انسانی شود، اما اطلاعات ظریفی را در اختیار پزشکان قرار می دهد که ممکن است به راحتی تشخیص داده نشوند و با این کار موجب بهبود در تشخیص برخی بیماری ها می شود.
این الگوریتم ها نه تنها از این داده های بیمار برای تشخیص بیماری استفاده می کنند، بلکه اطلاعات درمانی شخصی سازی شده را نیز با جزئیات بیشتری نسبت به هر پزشک دیگر ارائه می دهند.
الی (Ellie) نوعی برنامه دید کامپیوتری منظور شده برای تشخیص بیماری است که توسط دانشمندان مؤسسه فناوری های خلاقانه دانشگاه کالیفرنیای جنوبی طراحی شده است. الی چندین سؤال از بیمار پرسیده و با استفاده از وب کم و حسگر داخلی، صورت بیمار را اسکن کرده تا حرکات صورت و بدن آنها را ارزیابی نماید و بدین ترتیب بتواند تشخیص های احتمالی را تهیه کند.
الی می تواند با مقایسه نشانه های کلامی و همچنین حرکات ظریف صورت و بدن و با بکار گیری مجموعه داده های قرار داده شده در آن، بیمارانی با مشکلات سلامت روان از جمله افسردگی و اضطراب را تشخیص دهد. در حالی که این برنامه نمی تواند جایگزین پزشک انسانی شود، اما اطلاعات ظریفی را در اختیار پزشکان قرار می دهد که ممکن است به راحتی تشخیص داده نشوند و با این کار موجب بهبود در تشخیص برخی بیماری ها می شود.
این الگوریتم ها نه تنها از این داده های بیمار برای تشخیص بیماری استفاده می کنند، بلکه اطلاعات درمانی شخصی سازی شده را نیز با جزئیات بیشتری نسبت به هر پزشک دیگر ارائه می دهند.
فناوری کمک به جراحی
دانشمندان به منظور بهبود دقت و صحت جراحی در حال وارد نمودن مدل های یادگیری ماشینی هستند. این الگوریتم ها به تصمیم گیری دقیق جراحان در طول مراحل پیچیده جراحی کمک می کنند.
به عنوان مثال، توسعه دهندگان هوش مصنوعی نوعی مدل پردازش تصویر تحت عنوان RSIP Vision را طراحی کرده اند که می تواند به منظور بهبود تجسم و هدایت حرکات جراحی در طی مراحل ارتوپدی، تصاویر ورودی را تنظیم، جهت بندی و مسیر یابی کند. این امر باعث می شود دقت تکنیک جراحی افزایش یافته و مدت زمان عمل کاهش یابد و بیمار بهتر بهبود پیدا کند.
تریتون میزان خون از دست رفته را با پردازش تصاویر پنبه های آغشته به خون، دستگاه های مکش، پارچه های جراحی و سایر ابزارها تخمین می زندعلاوه بر آن، به منظور ارزیابی خونریزی حین عمل و بعد از آن، Gauss Surgical نوعی برنامه یادگیری عمیق تحت عنوان تریتون (Triton) را توسعه داده است که میزان خونریزی را بدون وقفه در طول عمل و بعد از آن تخمین می زند. تریتون میزان خون از دست رفته را با پردازش تصاویر پنبه های آغشته به خون، دستگاه های مکش، پارچه های جراحی و سایر ابزارها تخمین می زند. این سیستم میزان از دست دادن احتمالی خون در بیمار را از این مجموعه داده و اطلاعات تخمین زده و آنها را به جراحان منتقل می کند تا بهتر بتوانند در خصوص مقدار انتقال خون مورد نیاز تصمیم گیری کنند.
به عنوان مثال، توسعه دهندگان هوش مصنوعی نوعی مدل پردازش تصویر تحت عنوان RSIP Vision را طراحی کرده اند که می تواند به منظور بهبود تجسم و هدایت حرکات جراحی در طی مراحل ارتوپدی، تصاویر ورودی را تنظیم، جهت بندی و مسیر یابی کند. این امر باعث می شود دقت تکنیک جراحی افزایش یافته و مدت زمان عمل کاهش یابد و بیمار بهتر بهبود پیدا کند.
تریتون میزان خون از دست رفته را با پردازش تصاویر پنبه های آغشته به خون، دستگاه های مکش، پارچه های جراحی و سایر ابزارها تخمین می زندعلاوه بر آن، به منظور ارزیابی خونریزی حین عمل و بعد از آن، Gauss Surgical نوعی برنامه یادگیری عمیق تحت عنوان تریتون (Triton) را توسعه داده است که میزان خونریزی را بدون وقفه در طول عمل و بعد از آن تخمین می زند. تریتون میزان خون از دست رفته را با پردازش تصاویر پنبه های آغشته به خون، دستگاه های مکش، پارچه های جراحی و سایر ابزارها تخمین می زند. این سیستم میزان از دست دادن احتمالی خون در بیمار را از این مجموعه داده و اطلاعات تخمین زده و آنها را به جراحان منتقل می کند تا بهتر بتوانند در خصوص مقدار انتقال خون مورد نیاز تصمیم گیری کنند.
نتیجه گیری
هوش مصنوعی تمام زمینه ها از جمله تجارت، تعاملات اجتماعی و حتی بهداشت و درمان را متحول ساخته است. با توسعه مدل های یادگیری ماشینی، هوش مصنوعی بیش از پیش حوزه بهداشت و درمان را دچار تحول ساخته و یک سیستم تشخیصی و درمانی کارآمدتر برای بهبود نتایج مراقبت از بیمار ایجاد کرده است.
منبع: clarifai
منبع: clarifai
