چطور هوش مصنوعی تشخیص بیماری را آسانتر میکند
الگوریتمهای هوش مصنوعی امروزی به دهها هزار تصویر پزشکی گران نیاز دارند تا بیماری بیمار را تشخیص دهند. چه میشد اگر میتوانستیم میزان اطلاعات لازم برای آموزش یک هوش مصنوعی را به طور چشمگیری کاهش دهیم، تشخیص بیماری را کمهزینهتر و موثرتر کنیم؟ همکار TED پراتیک شاه روی سیستمی به همین منظور کار میکند. با استفاده از یک روش نامعمول هوش مصنوعی، شاه الگوریتم کارآیی را توسعه داده — و میتواند حتی با تصاویر گرفته شده با گوشی پزشکان تشخیص را انجام دهد. ببینید چطور این روش تحلیل اطلاعات پزشکی میتواند به شناسایی زودهنگام بیماریهای خطرناک منجر شود و تشخیص بوسیله هوش مصنوعی را به سیستمهای مراقبتهای پزشکی بیشتری در سراسر دنیا ارائه دهد.
امروز الگوریتمهای کامپیوتری در حال انجام وظایفی باورنکردنی هستند با دقت بالا، در ابعاد عظیم، با استفاده از هوش شبه انسانی. و به این هوش کامپیوترها معمولا AI گفته میشود یا هوش مصنوعی. هوش مصنوعی به وجود آمده تا تاثیر شگرفی در زندگی آینده ما داشته باشد. با این وجود امروزه هنوز با چالشهای بزرگی روبرو هستیم در شناسایی و تشخیص چندین بیماری خطرناک، مانند بیماریهای عفونی و سرطان. هر سال هزاران بیمار جان خود را به خاطر سرطان کبد یا دهان از دست میدهند.
بهترین روش ما برای کمک به این بیماران شناسایی و تشخیص زودهنگام این بیماریها است. خوب امروز چطور این بیماریها را شناسایی میکنیم، و آیا هوش مصنوعی میتواند کمک کند؟ در بیمارانی که، متاسفانه، مشکوک به این بیماریها هستند، پزشک متخصص ابتدا دستور میدهد تصویربرداریهای پزشکی بسیار گرانی مانند تصویربرداری فلوئورسانت، سیتی و امآرآی انجام شوند. بعد از گرفتن آن تصویرها، پزشک متخصص دیگری با آن تصاویر تشخیص میدهد و با بیمار صحبت میکند. و میبینید که این فرایندی بسیار هزینهبر است، و هم به پزشکان متخصص نیاز دارد، و هم فناوریهای گرانقیمت تصویربرداری پزشکی، و برای کشورهای در حال توسعه کاربردی تلقی نمیشود. و البته برای بسیاری از کشورهای صنعتی هم به همچنین.
پس میتوانیم این مشکل را با هوش مصنوعی حل کنیم؟ امروز، اگر میخواستم با معماریهای هوش مصنوعی سنتی این مشکل را حل کنم، به ۱۰٫۰۰۰ — تکرار میکنم، لازم بود اول چیزی حدود ۱۰٫۰۰۰ از این تصویرهای بسیار گران گرفته شوند. پس از آن، پیش یک متخصص میرفتم، تا آن تصاویر را برای من تحلیل کند. و با استفاده از این دو اطلاعات، میتوانم یک شبکه عصبی عمیق استاندارد یا یک شبکه یادگیری عمیق بسازم که تشخیص را برای بیماران انجام دهد. مشابه روش اول، روشهای هوش مصنوعی سنتی هم از مشکلات مشابهی رنج میبرند. میزان زیادی اطلاعات، پزشکان متخصص و فناوریهای تصویربرداری تخصصی پزشکی.
خوب، آیا میتوانیم معماریهای هوش مصنوعی مقیاسپذیرتر، موثرتر و باارزشتری ایجاد کنیم که این مشکلات بسیار مهم که امروز پیش روی ما هستند را حل کنند؟ و این دقیقا کاری است که گروه من در آزمایشگاه رسانه MIT انجام میدهد. ما گونههای مختلف نامعمولی از معماری هوش مصنوعی اختراع کردهایم تا بعضی از مهمترین چالشهای امروزی پیش رو در تصویربرداری پزشکی و آزمایشهای بالینی را حل کنیم.
در مثالی که امروز با شما مطرح کردم، دو هدف داشتیم. هدف اول کاهش تعداد تصاویر مورد نیاز برای آموزش به الگوریتمهای هوش مصنوعی بود. هدف دوم — جاهطلبتر شدیم، میخواستیم استفاده از فناوریهای گران تصویربرداری پزشکی را هم برای بررسی بیماران کاهش دهیم. خوب چطور این کار را کردیم؟
برای هدف اولمان، به جای شروع با دهها هزار تصویر گرانقیمت پزشکی مثل هوش مصنوعی سنتی، با یک تصویر پزشکی شروع کردیم. از این تصویر، من و گروهم روشی هوشمندانه برای استخراج میلیاردها بسته اطلاعات پیدا کردیم. این بستههای اطلاعات شامل رنگ، پیکسل، هندسه و ترجمه بیماری روی تصویر پزشکی بود. به بیانی، ما یک عکس را به میلیاردها نقطه اطلاعاتی آموزشی تبدیل کردیم، که به طور قابل توجهی میزان اطلاعات لازم برای آموزش را کاهش داد.
برای هدف دوممان، برای کاهش استفاده از فناوریهای تصویربرداری گرانقیمت پزشکی برای بررسی بیماران، ما با یک عکس استاندارد با نور سفید شروع کردیم، که با یک دوربین DSLR یا دوربین گوشی از بیمار گرفته شده بود. بعد، آن میلیاردها بسته اطلاعاتی را یادتان هست؟ ما آنها را از تصویر پزشکی روی این عکس انداختیم، تا چیزی بسازیم که به آن تصویر مرکب میگوییم. در عین ناباوری، فقط به ۵۰ عکس — تکرار میکنم، فقط ۵۰ — از این عکسهای ترکیبی را برای آموزش الگوریتممان برای بازدهی بالا نیاز داشتیم.
برای خلاصه کردن روشمان، به جای استفاده از ۱۰٫۰۰۰ عکس پزشکی خیلی گران، حالا میتوانیم الگوریتم هوش مصنوعی را به روشی نامعمول آموزش دهیم، با استفاده از فقط ۵۰ عکس رزولوشن بالا، اما استاندارد، که با دوربین DSLR و گوشی موبایل گرفته شده است، و تشخیص را انجام دهیم. مهمتر اینکه، الگوریتم ما میتواند، در آینده و حتی حالا، عکسهای بسیار ساده نور سفید از بیمار را بپذیرد، به جای فناوریهای گران تصویربرداری پزشکی.
من بر این باورم که در حال ورود به دورانی هستیم که هوش مصنوعی تاثیری باورنکردنی بر آینده خواهد گذاشت. و من فکر میکنم که در کنار فکر کردن به هوش مصنوعی سنتی، که اطلاعات زیادی میخواهد اما کارایی کمی دارد، همچنین باید به معماریهای هوش مصنوعی نامعمول فکر کنیم، که میتوانند میزان کمی اطلاعات بگیرند و بعضی از مهمترین مشکلات امروزی پیش روی ما را حل کنند، مخصوصا در زمینه مراقبتهای بهداشتی.
