به گزارش ایسنا و به نقل از فیز، هوش مصنوعی، ظرفیت بالایی برای بهبود سرعت و دقت تشخیص‌های پزشکی دارد اما پیش از اینکه پزشکان بتوانند نیروی هوش مصنوعی را برای تشخیص بیماری‌ها در تصاویری مانند تصاویر گرفته شده با اشعه ایکس، تحت کنترل درآورند، باید هدف خود را به الگوریتم‌ها آموزش دهند.
به خاطر کمبود تصاویر قابل استفاده برای آموزش سیستم‌های هوش مصنوعی، شناسایی آسیب‌های نادر در تصاویر پزشکی، به چالشی دائمی برای پژوهشگران تبدیل شده است.
پروفسور "شاهرخ والایی"(Shahrokh Valaee) استاد "دانشگاه "تورنتو" (Toronto) کانادا و گروه پژوهشی او، روش جدیدی برای این کار ابداع کرده‌اند. آنها برای ایجاد اشعه ایکس رایانه‌ای و تکمیل مجموعه‌های آموزشی هوش مصنوعی، از یادگیری ماشینی استفاده کردند.
والایی، از اعضای آزمایشگاه "هوش ماشینی در پزشکی"(MIMLab) است. اعضای این آزمایشگاه، فیزیکدانان، دانشمندان و پژوهشگران مهندسی هستند که برای حل چالش‌های موجود در علم پزشکی، تجربیات خود را در پردازش عکس، هوش مصنوعی و پزشکی ارائه می‌دهند.
والایی در مورد این پژوهش گفت: ما برای انجام دادن یادگیری ماشینی، از خود این فناوری استفاده می‌کنیم. در این روش، تصاویر شبیه‌سازی شده‌ای با اشعه ایکس ایجاد می‌شوند که شرایط نادری را منعکس می‌کنند. ما می‌توانیم این تصاویر شبیه‌سازی شده را با تصاویر واقعی ترکیب کنیم تا مجموعه داده گسترده‌ای را برای آموزش شبکه‌های عصبی داشته باشیم و از آنها برای شناسایی شرایط بیمار استفاده کنیم.
والایی ادامه داد: هوش مصنوعی می‌تواند از راه‌های بی‌شماری به رشته پزشکی کمک کند اما برای این کار، داده‌های بسیاری مورد نیاز است. این داده‌ها، هزاران عکس هستند ما برای به کار انداختن این سیستم، به آنها نیاز داریم و بسیاری از این عکس‌ها برای شرایط نادر وجود ندارند.
این گروه پژوهشی برای ابداع تصاویر، از یک روش هوش مصنوعی موسوم به " شبکه عصبی پیچشی عمیق" (DCGAN) استفاده کردند تا عکس‌های شبیه‌سازی شده را بهبود ببخشند. این روش، شامل نوعی الگوریتم است که از دو شبکه تشکیل می‌شود. یکی از شبکه‌ها، تصاویر را ایجاد می‌کند و دیگری تلاش می‌کند تصاویر مصنوعی را از تصاویر واقعی تشخیص دهد. تصاویر مصنوعی، با تصاویر واقعی ترکیب می‌شوند تا یک شبکه عصبی پیچشی را به سیستم آموزش دهند و سپس، تصاویر را به صورت متداول یا براساس شرایط گوناگون، طبقه‌بندی کنند.
والایی افزود: ما نشان داده‌ایم که داده‌های مصنوعی تولید شده با این روش، در مجموعه داده‌های واقعی قابل استفاده است. این ابداع، داده‌های بیشتری را برای آموزش هوش مصنوعی فراهم می‌کند و عملکرد این سیستم‌ها را در تشخیص شرایط نادر، بهبود می‌بخشد. این فناوری می‌تواند با فراهم کردن مجموعه گسترده‌ای از داده‌ها و بهبود دقت در طبقه‌بندی، موانع به کارگیری هوش مصنوعی در حوزه پزشکی را رفع کند.
- 10
- 5
