با همكاری دانشمند ایرانی دانشگاه ام.آی.تی صورت گرفت
تصمیم گیری خودكار در حوزه پزشكی با كمك هوش مصنوعی
كوتاه كننده لینك: پژوهشگران دانشگاه ˮام.آی. تیˮ با همكاری دكتر ˮداریوش مهتاˮ دانشمند ایرانی، نوعی مدل مبتنی بر یادگیری ماشینی عرضه كرده اند كه می توانند به تصمیم گیری خودكار در حوزه پزشكی كمك نماید.
به گزارش كوتاه كننده لینك به نقل از ایسنا و به نقل از ام.آی. تی نیوز، دانشمندان علوم كامپیوتر دانشگاه "ام.آی. تی"(MIT) با همكاری دكتر "داریوش مهتا"(Daryush Mehta)، از اعضای مركز جراحی حنجره "بیمارستان عمومی ماساچوست"(MGH) امیدوارند كه بتوانند امكان استفاده از هوش مصنوعی را برای بهبود تصمیم گیری در حوزه پزشكی ارتقا دهند. آنها قصد دارند كاری كه معمولا به صورت دستی انجام می شود و به خاطر گسترش مجموعه داده ها دشوار است، به صورت خودكار انجام دهند.
حوزه "تحلیل پیشگویانه"(Predictive analytics)، برای كمك به تشخیص های بالینی و درمان بیماران بسیار امیدواركننده هستند. مدلهای یادگیری ماشینی، این توانایی را دارند كه برای یافتن الگوهای مربوط به داده های هر بیمار آموزش داده شوند و به تشخیص گندخونی و شیمی درمانی ایمن كمك كنند و برای پیش بینی خطر مبتلاشدن به بیماری های وخیمی مانند سرطان سینه به كار روند.
مجموعه داده ها، معمولا اطلاعات افراد سالم و بیمار را در بر دارد اما داده های كمی در مورد هر فرد را شامل می شود. متخصصان باید خاصیت هایی را در این مجموعه داده ها پیدا كنند كه برای پیش بینی بیماری ها مهم هستند.
"مهندسی ویژگی"(feature engineering)، فرآیندی دشوار و پرهزینه است اما در صورت افزایش استفاده از سنسورهای پوشیدنی، می تواند چالش های بیشتری را به همراه داشته باشد. پژوهشگران با كمك سنسورهای پوشیدنی می توانند اطلاعات مربوط به الگوهای خواب، راه رفتن و صدای بیمار را بسادگی بررسی نمایند. پژوهشگران ام.آی. تی در بررسی جدید خود توانستند تنها بعد از یك هفته بررسی اطلاعات بیماران، چند میلیارد نمونه داده برای هر بیمار عرضه كنند.
این پژوهش، مدلی را نشان داده است كه می تواند پیش بینی خاصیت های مربوط به اختلالات صوتی را به صورت خودكار انجام دهد.
این خاصیت ها، در یك مجموعه داده شامل حدود 100 بیمار جای گرفته اند كه داده های مربوط به اختلالات صوتی هر یك از آنها را به همراه چند میلیارد نمونه در بر دارد. به عبارت دیگر، این مجموعه، تعداد كمی از افراد را با تعداد گسترده ای از داده های مربوط به هر یك در بر دارد. این مجموعه داده، سیگنال هایی را شامل می شود كه از یك سنسور نصب شده روی گردن افراد به دست آمده اند.
این مدل در آزمایش ها، به صورت خودكار از خاصیت های مربوط به داده ها استفاده می نماید تا بیماران را با دقت بالا طبقه بندی كند. لطمه هایی كه به حنجره وارد می شوند، معمولا در اثر استفاده بد از صدا مانند فریاد زدن پیش می آیند. مدل پژوهشگران ام.آی. تی می تواند این كار را بدون بررسی دستی مجموعه داده ها انجام دهد.
"ژوزه خاویر گونزالز اورتیز"(Jose Javier Gonzalez Ortiz)، دانشجوی مقطع دكتری دانشگاه ام.آی. تی و نویسنده ارشد این پژوهش اظهار داشت: شاید جمع آوری مجموعه داده ها در طولانی مدت ساده باشد اما این كار به پزشكانی نیاز دارد كه دانش خودرا برای طبقه بندی مجموعه داده ها به كار ببرند. هدف ما این است تا بخشی كه متخصصان باید به صورت دستی انجام دهند، حذف نماییم و مدل یادگیری ماشینی را بجای مهندسی خاصیت به كار ببریم.
مدل یادگیری ماشینی، این توانایی را دارد تا برای یادگیری الگوهای هر بیماری مورد استفاده قرار گیرد. پژوهشگران باور دارند كه توانایی شناسایی الگوهای روزانه صدا، گام مهمی در ابداع روش های بهتر برای پیشگیری، تشخیص و درمان اختلالات صوتی محسوب می شود. این مدل می تواند به طراحی روش های جدیدی برای شناسایی اختلالات صوتی و آگاه كردن افراد در مورد رفتارهای مضر برای صدا كمك نماید.
این پژوهش، در نشست "یادگیری ماشینی برای مراقبت سلامتی" (MLHC) ارائه خواهد شد.
منبع: كوتاه كننده لینك
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان gph در مورد این مطلب