روش سئو: پژوهشگران كانادایی به سرپرستی پروفسور ˮشاهرخ والاییˮ موفق شدند روش جدیدی را برای آموزش به هوش مصنوعی ابداع كنند.
به گزارش روش سئو به نقل از ایسنا و به نقل از فیز، هوش مصنوعی، ظرفیت بالایی برای بهبود سرعت و دقت تشخیص های پزشكی دارد اما قبل از اینكه پزشكان بتوانند نیروی هوش مصنوعی را برای تشخیص بیماری ها در تصاویری مانند تصاویر گرفته شده با اشعه ایكس، تحت كنترل درآورند، باید هدف خویش را به الگوریتم ها آموزش دهند.
به خاطر كمبود تصاویر قابل استفاده برای آموزش سیستم های هوش مصنوعی، شناسایی صدمه های نادر در تصاویر پزشكی، به چالشی دائمی برای پژوهشگران تبدیل گشته است.
پروفسور “شاهرخ والایی”(Shahrokh Valaee) استاد “دانشگاه “تورنتو” (Toronto) كانادا و گروه پژوهشی او، روش جدیدی برای این كار ابداع نموده اند. آنها برای تولید اشعه ایكس كامپیوتری و تكمیل مجموعه های آموزشی هوش مصنوعی، از یادگیری ماشینی استفاده كردند.
والایی، از اعضای آزمایشگاه “هوش ماشینی در پزشكی”(MIMLab) است. اعضای این آزمایشگاه، فیزیكدانان، دانشمندان و پژوهشگران مهندسی هستند كه برای حل چالش های موجود در علم پزشكی، تجربیات خویش را در پردازش عكس، هوش مصنوعی و پزشكی عرضه می دهند.
والایی در مورد این پژوهش اظهار داشت: ما برای انجام دادن یادگیری ماشینی، از خود این فناوری استفاده می نماییم. در این روش، تصاویر شبیه سازی شده ای با اشعه ایكس تولید می شوند كه شرایط نادری را منعكس می كنند. ما می توانیم این تصاویر شبیه سازی شده را با تصاویر واقعی تركیب نماییم تا مجموعه داده گسترده ای را برای آموزش شبكه های عصبی داشته باشیم و از آنها برای شناسایی شرایط بیمار استفاده نماییم.
والایی افزود: هوش مصنوعی می تواند از طریق های بی شماری به رشته پزشكی كمك نماید اما برای این كار، داده های بسیاری مورد نیاز است. این داده ها، هزاران عكس هستند ما برای به كار انداختن این سیستم، به آنها نیاز داریم و خیلی از این عكس ها برای شرایط نادر وجود ندارند.
این گروه پژوهشی برای ابداع تصاویر، از یك روش هوش مصنوعی موسوم به ” شبكه عصبی پیچشی عمیق” (DCGAN) استفاده كردند تا تصاویر شبیه سازی شده را بهبود ببخشند. این روش، شامل نوعی الگوریتم است كه از دو شبكه تشكیل می گردد. یكی از شبكه ها، تصاویر را بوجود می آورد و دیگری تلاش می كند تصاویر مصنوعی را از تصاویر واقعی تشخیص دهد. تصاویر مصنوعی، با تصاویر واقعی تركیب می شوند تا یك شبكه عصبی پیچشی را به سیستم آموزش دهند و سپس، تصاویر را به صورت متداول یا برپایه شرایط گوناگون، طبقه بندی كنند.
والایی اضافه كرد: ما نشان داده ایم كه داده های مصنوعی تولید شده با این روش، در مجموعه داده های واقعی قابل استفاده می باشد. این ابداع، داده های بیشتری را برای آموزش هوش مصنوعی فراهم می كند و عملكرد این سیستم ها را در تشخیص شرایط نادر، بهبود می بخشد. این فناوری می تواند با فراهم كردن مجموعه گسترده ای از داده ها و بهبود دقت در طبقه بندی، موانع به كارگیری هوش مصنوعی در حوزه پزشكی را رفع كند.
