عاشق وب: پژوهشگران کانادایی به سرپرستی پروفسور ˮشاهرخ والاییˮ موفق شدند روش جدیدی را برای آموزش به هوش مصنوعی ابداع کنند.
به گزارش عاشق وب به نقل از ایسنا و به نقل از فیز، هوش مصنوعی، ظرفیت بالایی برای بهبود سرعت و دقت تشخیص های پزشکی دارد اما قبل از اینکه پزشکان بتوانند نیروی هوش مصنوعی را برای تشخیص بیماری ها در تصاویری مانند تصاویر گرفته شده با اشعه ایکس، تحت کنترل درآورند، باید هدف خویش را به الگوریتم ها آموزش دهند.
به خاطر کمبود تصاویر قابل استفاده برای آموزش سیستم های هوش مصنوعی، شناسایی صدمه های نادر در تصاویر پزشکی، به چالشی دائمی برای پژوهشگران تبدیل گشته است.
پروفسور “شاهرخ والایی”(Shahrokh Valaee) استاد “دانشگاه “تورنتو” (Toronto) کانادا و گروه پژوهشی او، روش جدیدی برای این کار ابداع نموده اند. آنها برای تولید اشعه ایکس کامپیوتری و تکمیل مجموعه های 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 چالش های موجود در علم پزشکی، تجربیات خویش را در پردازش عکس، هوش مصنوعی و پزشکی 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 ایکس تولید می شوند که شرایط نادری را منعکس می کنند. ما می توانیم این تصاویر شبیه سازی شده را با تصاویر واقعی ترکیب نماییم تا مجموعه داده گسترده ای را برای آموزش شبکه 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 پزشکی کمک نماید اما برای این کار، داده های بسیاری مورد نیاز است. این داده ها، هزاران عکس هستند ما برای به کار انداختن این سیستم، به آنها نیاز داریم و خیلی از این عکس ها 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 تصاویر شبیه سازی شده را بهبود ببخشند. این روش، شامل نوعی الگوریتم است که از دو شبکه تشکیل می گردد. یکی از شبکه ها، تصاویر را بوجود می آورد و دیگری تلاش می کند تصاویر مصنوعی را از تصاویر واقعی تشخیص دهد. تصاویر مصنوعی، با تصاویر واقعی ترکیب می شوند تا یک شبکه عصبی پیچشی را به سیستم آموزش دهند و سپس، تصاویر را به صورت متداول یا برپایه شرایط گوناگون، طبقه بندی کنند.
والایی اضافه کرد: ما نشان داده ایم که 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 کند و عملکرد این سیستم ها را در تشخیص شرایط نادر، بهبود می بخشد. این فناوری می تواند با فراهم کردن مجموعه گسترده ای از داده ها و بهبود دقت در طبقه بندی، موانع به کارگیری هوش مصنوعی در حوزه پزشکی را رفع کند.
