https://virgool.ir/feed/@amir.hosein.9713fa2026-11-12 07:56:43https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@amir.hosein.9713https://virgool.ir/@amir.hosein.9713/یادگیری-ماشین-و-هوش-مصنوعی-در-خدمات-پزشکی-e1zw9weay96rترجمه مقاله زبان با موضوع یادگیری ماشین و هوش مصنوعی در خدمات پزشکی مطابق آخرین پیشرفت های عملییادگیری ماشین و هوش مصنوعی در خدمات پزشکی : نیاز یا پتانسیلچکیده :انگیزه : به عنوان یک نتیجه از روند دیجیتالی شدن سیستم مراقبت های بهداشتی در سراسر جهان ، تولید بهداشت و درمان تخمین زده می شود که داده ها به 2314 اگزابایت داده جدید تولید شده در سال 2020 برسد.توسعه مداوم سیستم های هوشمند با هدف ارائه استدلال بهتر و کارآمد تر است از داده های جمع آوری شده استفاده کنید. این استفاده از تفسیر گذشته نگر محدود نیست، یعنی ارائه تشخیصیِ نتیجه گیری می تواند همچنین به تفسیر احتمالی که پیش آگهی زودرس را ارائه می دهد، گسترش یابد. که گفت ، پزشکانی که می توانند توسط این سیستم ها کمک شوند خود در شکاف بین بالینی مورد بررسی های فنی عمیق ایستاده اند. آنچه آنها فاقد آن هستند ، نقطه شروع واضحی است كه می توان از آنجا به آن نزدیك شد دنیای یادگیری ماشین در پزشکی.روش و ساختار اصلی: هدف این مقاله ارائه به پزشکان علاقه مند است که آسان بینش هوش مصنوعی AI و یادگیری ماشین ML را در زمینه پزشکی طی چندین سال گذشته دنبال کنند.برای این منظور ، ما ابتدا در مورد مسیرهای رشد عمومی در مورد استفاده از مفهوم AI و ML در سیستم های مراقبت های بهداشتی بحث می کنیم .سپس زمینه هایی که این فناوری ها قبلاً آزمایش شده اند لیست می کنیم یا حتی از جمله در خون شناسی ، مغز و اعصاب ، قلب و عروق ، انکولوژی ، رادیولوژی ، چشم پزشکی ، زیست شناسی سلولی و سلول درمانی.تاریخچه مقاله : دریافت شده در تاریخ 25 اکتبر 2019 . تایید شده در 18 ژانویه 2020کلمات کلیدی : هوش مصنوعی یادگیری ماشین برنامه های پزشکیمقدمه:معرفی فناوری اطلاعات در زمینه ی مراقبت های بهداشتی از جنبه های مختلف بهبود یافته است. از شروع دیجیتالی کردن داده های بیمار در سلامت الکترونیکی سوابق، برای ارائه تصمیم گیری بالینی و در نتیجه دیجیتالی شدن سیستم مراقبت های بهداشتی در سراسر جهان روند، داده های تولید شده بهداشت و درمان در سال 2011 تخمین زده شده است 150 Exabytes 150 * 10 ^ 18 باشد، و تخمین زده می شود 2314 Exabytes داده های تازه تولید شده در سال 2020 باشد . با این حال، پردازش این داده ها به طور کارآمد به طوری که اطلاعات مفید و دانش جدید قابل استخراج است ، همچنان یک چالش واقعی است . در حقیقت، مقدار روزافزون داده های جمع آوری شده در برابر توانایی داده های فعلی سیستم های تجزیه و تحلیل مقاومت می کند در نتیجه ، سیستم های مراقبت های بهداشتی بار فزاینده ای هستند . این سندروم اطلاعات "غنی سازی اطلاعات / اطلاعات ضعیف " نامیده می شود . DRIP به این معنی است که ما در حال جمع آوری داده های بیشتری از آنچه می توانیم تحلیل کنیم هستیم . خوشبختانه با جدیدترین پیشرفت ها در تجزیه و تحلیل داده ها و سیستم های تصمیم گیری ، به نظر می رسد غلبه بر این چالش سرانجام امکان پذیر باشد . داده های پزشکی جمع آوری شده را می توان با استفاده از روش های مختلف در سطوح مختلف تجزیه و تحلیل کرد . سطح اول کسب بیمار است داده هایی که سیستم های هشدار دهنده معمولی می توانند در جمع آوری کمک کنند با توجه به زمانی که مقادیر خارج از محدوده طبیعی هستند ، همانطورکه در قلب دستگاه های الکتروکاردیوگرافی (نوار قلب) است. در سطح دوم ، منابع مختلف داده جمع آوری ،آمیخته شده و پردازش می شود به گونه ای که می توان از نتیجه استفاده کرد . ورودی به نوع دیگری از سیستم که دیفرانسیل پیشنهادی را تشخیص و نتیجه گیری بر اساس مجموعه ای از قوانین ارائه می دهد .با حرکت به یک سلسله مراتب درخت مانند با استفاده از داده های ارائه شده ، این سیستم ها می توانند در رسیدن به یک توضیح منطقی از علائم وارد شده کمک کنند . این سیستم های مبتنی بر قاعده "سیستم های خبره" نامیده می شوند .کارشناس سیستم ها از تجربه یاد می گیرند تا با تصمیم گیری از توانایی های متخصصان انسانی تقلید کنند . این سیستم ها غالباً توانایی این را دارند که به سوال هایی که با "چه" ، "چگونه" ، "به جای" شروع می شوند پاسخ دهند . و به طورهمزمان در مورد استدلال تصمیمات خود توضیح دهند. یکی دیگر از ویژگیهای اساسی این سیستمها ، آن است که تجارب جدید را تلفیق کرده ، از این رو باعث غنی سازی و افزایش دانش محور آنها می شود . این به نوبه خود باعث بهبود تصمیم گیری می شود توانایی ها نمونه اولیه این سیستم ها یعنی سیستم MYCIN است . این سیستم ها بر اساس یک فرایند تبدیل داده است که در ارائه تشخیص و نتیجه گیری که به مدل "داده -اطلاعات--دانش-خرد" کاملاً تثبیت شده (شکل 1) . اهداف فعلی، پیشرفت مداوم سیستم های هوشمند برای ارائه استدلال بهتر و استفاده کارآمد از داده های جمع آوری شده است . هدف این است که سیستم های تصمیم گیری را قادر به اجرای آینده نگر و پیش آگهی زودهنگام را ارائه دهند (برخلاف رویکرد گذشته نگر، جایی که سیستم ها فقط تشخیص و نتیجه گیری را ارائه می دهند). این دستاوردهای فنی به خوبی ثبت شده است با این حال ، یک آموزش ساده برای پزشکان که به دنبال درک هستند است و وضعیت واقعی این فناوری و استفاده های بالقوه ضروری رابیشتر اثبات می کند . به همین منظور ، در این بررسی پیشرفته ، ما پیشنهاد می دهیم پزشکان بینش استفاده از هوش مصنوعی AI در رشته پزشکی داشته باشند. در حالی که به دنبال دستیابی به یک بررسی تمام برنامه های پزشکی برای هوش مصنوعی کامل نیست . این مقاله به بینش هایی که می توانند تبادلات AI-medicine را بیشتر کند ساده قابل درک است.معنی دار است ، که می تواند منجر به یک بحث سازنده در مورد چگونگی کاهش فاصله بین این دو رشته را دهیم شود .بنابراین ، ما سعی خواهیم کرد برخی از تعاریف اساسی را روشن کنیم و به بحث مختصری در مورد خطوط کلی توسعه استفاده از یادگیری ماشین و مفاهیم هوش مصنوعی در سیستم های بهداشتی را شرح دهیم. سپس برخی از آن زمینه ها و مثال ها را لیست می کنیم جایی که این فناوری ها قبلاً آزمایش یا حتی اعمال شده اند ، به طور خلاصه در جدول یک .تعاریف اساسی :هوش از جمله اصطلاحاتی است که در برابر هر تعریفی مقاومت می کند تلاش کردن در پیمایش ساده در وب می تواند ما را به صدها مورد هدایت کند تعاریفی که با توجه به دیدگاههای فردی متفاوت هستند (فلسفه ، زیست شناسی ، روانشناسی ، ریاضیات ، علوم کامپیوتر). با این حال ، به خاطر این پیشرفت این مقاله ، سعی خواهیم کرد بسیاری از تعاریف موجود در ادبیات را جمع آوری کنیم. هوش توانایی ایجاد طرح های سازگار ، حل کردن مشکلات ،یا محصولی را خلق یا ایجاد کنید که در فرهنگ خاصی ارزش دارد یا در تجارت. از انجمن ، حفظ ، استدلال ، درک ، انتزاع ، مفهوم سازی ، تقریب ، سیستم سازی و استنباط منطقی . به این عناصر عادت داده شده است دانش جدید را از حقایق شناخته شده بدست آورند، از طرف دیگر ، هوش مصنوعی به سیستم اشاره دارد تا توانایی تفسیر صحیح داده های خارجی ، یادگیری از این داده ها ، و استفاده از این آموخته ها برای دستیابی به اهداف و وظایف خاص با استفاده از انطباق انعطاف پذیر باشد . همانطور که نشان داده شده است ،مولفه اصلی هوش مصنوعی در شکل 2 آمده است . یادگیری ماشین زمانی است که از رایانه برای استفاده از مدلهای آماری بر روی داده استفاده می شود. این یک زیرشاخه هوش مصنوعی است ، جایی که برنامه های رایانه ای (الگوریتم ها) روابط بین داده های ورودی و خروجی را یاد می گیرند. می توان سه دسته از الگوریتم های یاد گیری ماشین را از هم تشخیص داد :یادگیری تحت نظارت ، یادگیری بدون نظارت و تقویت یادگیری .شکل1 در یادگیر نظارت شده ، برنامه های رایانه ای انجمن ها از طریق تجزیه و تحلیل نمونه های داده تعریف شده را توسط یک ناظر متخصص انسانی در فرآیندی به نام آموزش یاد می گیرند . هنگامی که انجمن ها آموخته داشته باشند می توان آنها را برای پیش بینی نمونه های آینده مثلا در a استفاده کرد در فرآیندی به نام آزمایش .در یادگیری بدون نظارت ، برنامه های رایانه ای انجمن ها را بدون تعریف خارجی انجمن ها در داده ها. یاد می گیرند که آناغلب برای خوشه بندی استفاده می شود ، یعنی استخراج همبستگی های کشف نشده در داده های ورودی به گونه ای که برای تشکیل زیر مجموعه های داده ای که با ویژگی های مشترک اشتراک می گذارند .در تقویت یادگیری ، سیستم می آموزد که چگونه بر اساس پاداش / مجازات رفتار کند. مجازات می تواند به عنوان یک سیگنال پاداش منفی در نظر گرفته می شود که یک عمل را تقویت می کند ک تا از تحویل آن جلوگیری می کند.لازم به ذکر است که یک رشته خاص در یادگیری ماشین وجود دارد که اغلب برای مجموعه ی پردازش داده هایبزرگ به نام یادگیری عمیق استفاده می شود. یادگیری عمیق یک سیستم محاسباتی مبتنی بر عصبی است که همبستگی بین داده ها توسط آزمون های تکاملی برای کاهش هزینه را تعیین می کند .یادگیری عمیق با مقادیر تصادفی (اولیه شروع می شود) تارسیدن به وزن های صحیح که در تابع هزینه از پیش تعریف شده است . این بدان معنی است که سیستم به طور مداوم توجه به داده های ورودی پیش بینی سریع و تنظیم نحوه پیش بینی سریع می کند .یادگیری عمیق ابزاری قدرتمند برای یادگیری پیچیده چالش ها و مسائل شناختی است . با این حال ، مسائل مربوط به داده ها مانند حجم کم داده ، پراکندگی زیاد و کیفیت پایین داده می تواند اثر روش های یادگیری عمیق را محدود کند .در آخر ، باید تأکید کرد که استفاده از یادگیری ماشین می تواند فراتر از حد مجاز سیستم های تصمیم گیری و در بسیاری از پزشکی مورد استفاده قرار گیرد . مانند برنامه هایی (ربات های کوچک) ای اجرای وظایف خاص مانند تحویل دارو و کمک بهبیماران ضعیف. این برنامه ها گرچه جالب هستند اما در بیرون دامنه این کار قرار دارند .در بخش بعدی ، پس از یک مقدمه کوچک در مورد فرآیند کسب اطلاعات بیمار ما زمینه های پزشکی که در آن فن آوری های هوش مصنوعی زیر در حال حاضر استفاده شده است را کشف خواهیم کرد : مصرف بیمار؛ رادیولوژی ، هماتولوژی ، مغز و اعصاب ، آنکولوژی ، زیست شناسی سلولی و سلول درمانی ، قلب و عروق ، چشم پزشکی.مصرف بیمار: بدست آوردن اطلاعات اولیه بیمار:روند بالینی ، اقدامات انجام شده توسط مراقبت های بهداشتی متخصصین به منظور ارزیابی و بهبود سلامت بیمار ، یک نقطه شروع دارد (قرار ملاقات ، ویزیت اضطراری و غیره. اقدامات و نتیجه بالینی مورد انتظار. در موارد به طور عادی ، روند با بازیابی و بدست آوردن اطلاعات شروع می شود. تاریخچه پرونده .این شامل یک مجموعه از پیش تعریف شده سوالاتی که متخصص مراقبت های بهداشتی باید در طول آن قرار ملاقات بیمار بپرسد است . از دهه 1960 ، این مرحله تا حدودی ذخیره و بازیابی دیجیتالی شده است . گفته شد ، جمع آوری داده ها هنوز توسط ساکنان یا پرستاران ، به علت اعتماد به یک سیستم خودکار دشوار برای جمع آوری این اطلاعات است . نکته این است که یک انسان می تواند نحوه تبدیل داستان غیررسمی تعریف شده توسط بیمار را در یک لیست رسمی تر از علل بالقوه جدا شده ، علائم (و تکامل زمانی آنها) ، سابقه پزشکی بیمار و موارد دیگر یادداشت های مفید تعیین کند . به عنوان مثال ، اگر بیمار بگوید ، "من فکر می کنم دیابت دارم" یک پزشک انسانی متوجه خواهد شد که این درک بیمار است که از نظر پزشکی "دیابت" محسوب نمی شود. تا اینکه یک داستان کامل با علائم و آزمایشات تأییدش کنند. با این حال تصور کنید اگر این جزئیات بیمار وارد سیستم رایانه ای شود . سیستم چگونه این ورودی را تفسیر می کند؟شکل 1خلاصه ای از چند نمونه مهم از کاربردهای تکنیک های هوش مصنوعی در پزشکی دقیقاگرچه در زمینه پردازش زبان طبیعی پیشرفتهای چشمگیری داشته ایم ، هیچ سیستمی تاکنون نمی تواند اصطلاحات پزشکی را مستقیماً از ورودی بیمار استخراج کند . پس از جمع آوری داده ها ، تجزیه و تحلیل بالینی متن و سیستم استخراج دانش می تواند برای استخراج اطلاعات که از ساختار بدون الکترونیکی سوابق بهداشتی استفاده می شود مفید باشد . سپس می توان از این اطلاعات ساختاریافته در روشهای مختلف برای شرح جزئیات پرونده یا حتی ارائه پیش بینی مدل سازی بر اساس آینده بر اساس بهداشت پزشکی سوابق فعلی بیمار استفاده کرد. پس از وارد کردن اطلاعات بیمار ، متخصصان مراقبت های بهداشتی می توانند به معاینه پزشکی ادامه دهند. نتایج پزشکی معاینه ممکن است منجر به تصمیم گیری در مورد آزمایشات آزمایشگاهی یا تصویربرداری پزشکی شود ، دو زمینه هایی از ابزارهای یادگیری ماشین می توانند به آن پزشک ها کمک کنند.در پاراگراف های زیر ما در مورد برنامه های کاربردی در زمینه های خاص پزشکی توضیح می دهیم .شکل 2. نمایش روابط فراگیر بین هوش مصنوعی ، یادگیری ماشین و یادگیری عمیقرادیولوژی:تصویربرداری پزشکی رایانه ای، توموگرافی یا تصویربرداری با تشدید مغناطیسی انجام شده است . تکنیک های هوش مصنوعیمی توانند به پزشک در استخراج بینش های مفید از تصویر راهنمایی و کمک کنند . به طور کلی ، یک پزشک تصویر پزشکی را به عنوان ورودی به سیستم وارد می کند ، سپس سیستم ویژگی های تصویر را استخراج می کند. بر اساس مقادیر این ویژگی ها (با نام مستعار ویژگی ها) . می توان در مورد تصویر پیش بینی کرد. این پیش بینی ها می توانند اشکالات زیر را بگیرد· تقسیم بندی: ترسیم مرزهای اطراف عناصر موجود در تصویر· برچسب زدن: شناسایی عناصر موجود در تصویر· تشخیص و شناسایی: تشخیص بیماری خاص و پیش بینی مرحله آن· کمک به نوشتن گزارش نهایی رادیولوژی.شروع با ساده ترین و معمول ترین تکنیک تصویربرداری پزشکی ، سونوگرافی.اخیراً سیستمی توسط وو ارائه شده است همکارانی که از رگرسیون لجستیک برای طبقه بندی سه گانه در سرطان پستان با تصاویر سونوگرافی با حساسیت از 86.96٪ و ویژگی 82.91٪. استفاده می کنند .مثال دیگر ، کار اخیر است که از یادگیری عمیق برای شناسایی این که کدام تصاویر اشعه ایکس نشان دهنده قفسه سینه سالم است ، استفاده شده است . اگرچه در این مثال با استفاده از این سیستم هنوز تخصص متخصص بهداشت لازم است تا50٪ موارد سالم قفسه سینه را شناسایی کند ، بنابراین تعداد مواردی که باید توسط متخصص طبقه بندی شود.آنها کاهش می یابد .تصاویر توموگرافی رایانه ای را نیز می توان با استفاده از تکنیک های یادگیری عمیق طبقه بندی کرد . کار یوتوف و همکارانتشخیص گره های بدخیم و خوش خیم ریه است . از پایه یادگیری ماشین استفاده کرد تا کالبد شکافی اطراف گره های ریه برای طبقه بندی گره ها با سیستمی که از از ویژگی های تصاویرct گرفته شده است تشخیص دهد . آنها حساسیت 100٪ و ویژگی 96٪ را در مورد MRI گزارش کرده اند (یانگ و همکاران) . ارائه یک سیستم بر اساس یادگیری ماشین برای پیش بینی درجه گلیوبلاستوما با استفاده از MRI . آنها به دقت 92% دست یافتند .خون شناسی :کاربرد جدی هوش مصنوعی خون شناسی را در اخیر می توان در نظر گرفت .شناسایی تشخیصی سلول یکی از جدی ترین موارد مناطق تسریع شده است . در این در این زمینه ، سیستم های قابل استفاده سه اثر عمده سه اثر قابل توجه به بار آورده است برای موارد زیر: جریان سنجی ایمونوفنوتیپ ، آنالیز مغز استخوان و خون محیطی تحلیل و بررسی. این سه سیستم با یکدیگر ارتباط برقرار می کنند و از نظر پزشکی با تاریخچه نتایج آزمایشگاهی موجود در پایگاه داده ارتباط دارند. هنگام ارزیابی100 بیمار سرطان خون ، این سه سیستم در 94 مورد در تشخیص نهایی و در 99 مورد با پزشک با تفسیر به توافق رسیدند .روش های یادگیری ماشین اخیراً برای تشخیص اختلالات خون تنها به یافته های آزمایشگاه بستگی دارد . دو روش استفاده شد یکی از همه آزمایش خون موجود استفاده کرد و دیگر فقط از آزمایش یک مجموعه محدود بیشتر در هنگام مصرف بیمار به طور معمول اندازه گیری می شود استفاده می کند. به دست آوردن دقت پیش بینی مربوطه 88٪ و 86٪ هنگام در نظر گرفتن لیست احتمال زیاد پنج بیماری و 59٪ و 57٪ هنگام بررسی احتمال زیاد بیماری است . با استفاده از یادگیری ماشینیک گروه ژاپنی 26،695 بیماران برای پیش بینی خطر پیوند حاد در مقابل بیماری میزبان را تجزیه و تحلیل کرد . الگوریتم درخت تصمیم یادگیری ماشین برای توسعه مدلها با استفاده از گروه آموزش و 15 عامل تا مدل نهایی انتخاب شدند استفاده شده است . مقاله نمرات پیش بینی aGVHD نیز ارتباط بین خطر GVHD و بقای کلی پس از پیوند سلول های بنیادی خون ساز نشان می دهد. به طور خلاصه ، الگوریتم ها از نظر بالینی نمراتط بقه بندی خطر را ایجاد می کنند .زمینه دیگر استفاده از شبکه های عصبی در سرویس آنالیز خون محیطی است . جایی که دو رویکرد قابل توجه وجود داردتا مورد توجه قرار گیرد . اولین مورد مربوط به تشخیص اختلال هموگلوبین از طریق لیزر سیتومتری با یک هم آمیزی سیستم ایزولومتری متغیر است . که تقریبا در همه موارد HBE دقیق همراه با صفت تالاسمی ب به اثبات رسیده است .IDE مرتبط به صفت تالاسمی ب است .دوم یک مدل هوش مصنوعی است که براساس سیتومتری به ارزیابی نور از حجم گلبول های سفید خون و پراکسیداز - سایپرز بستگی دارد ، باشگاه دانش فعالیت برای تمایز در کانال پراکس و تراکم هسته ای در باسو - سایپرز ، طبق طبقه بندی فب بین نمونه های حاد لوسمی میلوبلاستیک است . هنگامی که بر روی نمونه های پاتولوژیک آزمایش می شود . این سیستم به بهره وری 91% تشخیصی رسیده است .یکی دیگر از کاربردهای شایسته ، مدل داده کاوی است که تشخیص pv مبتنی بر هشت پارامتر های گروه مطالعه به علاوه جنسیت و مقدار هماتوکریت را افزایش می دهد . این سیستم مورد آزمایش قرار گرفته است و تفاوت معنی داری در این مدل مشاهده نشد ، نتایج طبقه بندی تشخیصی در مقابل معیارهای تشخیصی PVSG 98% است . علاوه بر این سیستم همان دقت نرخ را فقط با استفاده از 4 پارامتر (هماتوکریت ، تعداد پلاکت ، طحال ، و WBC)) نشان می دهد .در همان رشته ، گروه پیوند خون و مغز اروپا ((EBMT) یک مطالعه داده کاوی را در یک گروه بیمار 28236نفره انجام داد.در این کار ، مدلی بر اساس ده متغیرها به منظور ارزیابی و پیش بینی کلی انتخاب شده مرگ و میر در 100 روز پس از استفاده شد . ثابت شده که این مدل برای این منظور کارآمد تر از نمره ی منطقه وجود دارد . مطالعه دیگری که توسط EBMT با یک گروه حاد انجام شده است که فقط چند متغیر بیماران سرطان خون نشان داده است .مانند رژیم تهویه ، نوع دهنده و مرحله بیماری ، وزن مرگ و میر مربوط به درمان و آن وجود دارد حامل آن است، لبه برش در این فیلد احتمالاً به انواع اضافی ورودی احتیاج دارد. اتصال مدل های هوش مصنوعی با ریزآرایه DNA که این رویکرد به ایجاد کلاسهای جدید آسیب شناسی و حتی تجزیه و تحلیل سلول های بنیادی با استفاده از یادگیری بدون نظارت و نظارت. کمک کرده است.یادگیری بدون نظارت در کشف طبقه بندی مانند کلاس میلوم چندگانه در 5 زیرگروه با استفاده از جابجایی بیان آنکوژن و سیکلی . یادگیری تحت نظارت کلاس برای پیش بینی بوده استفاده می شود ، مانند مورد میلوبلاستیک حاد سرطان خونعصب شناسی :یکی از ابزارهای تشخیصی مفید در مغز و اعصاب ، الکتروانسفالوگرافی است که الکتروکاردیوگرام قرائت ایده ای در مورد فعالیت الکتریکی مغز ارائه می دهد . بسیاری از تکنیک های یادگیری ماشین برای تجزیه و تحلیل این سیگنال ها و ارائه پیش بینی اجرا شده است . در سال 2017 (سوباسی و همکاران) الگوریتمی برای تشخیص حملات صرع در EEG با استفاده از دو تکنیک یادگیری ماشین به نام (ماشین های برداری) و ((الگوریتم های ژنتیک) که دقت 99.38٪سوابق در مجموعه داده EEG استفاده شده است پیشنهاد کرد . با این حال ، در یک انتشار اخیر ، اویکو و همکاران ارائه دیگری از تکنیک یادگیری ماشین دادند به نام شبکه های عصبی همگن که می تواند تشنج را فقط با استفاده از دو کانال با دقت 93.3٪ تشخیص دهد.برای دیدن روش های دیگر تکنیک یادگیری ماشین متخصص مغز و اعصاب ، ما به عنوان مثال بیماری پارکینسون را مثال می زنیم . شروع از پیش زودتر پارکینسون در یک کار اخیر توسط پرشانت و همکاران یک سیستم یادگیری ماشین را یاد دادند که می تواند بیماری پارکینسون را با دقت 96.40% پیش بینی کند . در این روش از ویژگی ها غیر موتور استفاده می شود و از بین رفتن بویایی علاوه بر مایع مغزی نخاعی - سایپرز ، باشگاه دانش . اندازه گیری ها و داده های حاصل تصویربرداری دوپامینرژیک نشانگرها. اکنون ، پس از تشخیص بیماری ، سیستم یادگیری ماشین دیگری نیز وجود دارد که میتوان برای پیش بینی پیشرفت بیماری استفاده کرد . این سیستم ارائه شده توسط رستگار و همکاران است . سیتوکین های سرم از یک نقطه زمان (پایه) استفاده می شود سپس ، پس از یک سال ، نتیجه را برای دو سال می توان پیش بینی کرد .تومور شناسی :استفاده از هوش مصنوعی و یادگیری ماشین ،عمدتاً به عنوان یک رویکرد جذاب در عصر بازدارنده های مولکول کوچک در مبارزه با سرطان است . ژن درمانی و بیوتراپی مهندسی شده .انکولوژی اشعه در تقسیم تصویر بهینه سازی و دوز رادیوتراپی در جایی که هوش مصنوعی و یادگیری ماشین ،به طور مناسب با استاندارد اثبات شده معمولی مطابقت داشته باشند که کارآمد تر از برنامه ریزی دستی در بیشتر شرایط است.توسعه نانوبات یک نمونه از کاربردهای فیزیکی هوش مصنوعی در سرطان شناسی یا تومور شناسی است . از نانوبات ها برای کار با موارد زیر استفاده می شود : 1) مشکل عدم انتشار هدف عوامل درمانی و کم نفوذ در سایت برنامه. 2) هدف قرار دادن تومورها در عروق اما نشان دهنده نقص تکثیر فعال است. برای بیمارانی که تحت گاسترکتومی قرار می گیرند ، یک تکنیک خاص یادگیری ماشین ،ثابت کرده است که بر طبق طبقه بندی مبتنی بر پیش بینی بقا فرد سازی و تعیین خطر بهترین است.الگوریتم یادگیری عمیق آسیب شناسی گوگل با تصاویر برای شناسایی سرطان پستان به همسایگان گره های لنفاوی آموزش داده شده است . این الگوریتم امتیاز محلی سازی 89٪ را در مقابل 73 درصد میزان دقت برای آسیب شناسان به دست آورد.سی ان ان رایج ترین شکل یادگیری تحت نظارت است . آن برنامه ها در اندازه گیری و ردیابی تومورهای مغزی ،گلیوم و تومور های کبدی به صورت تصاویر سه بعدی یا 2 بعدی مورد بررسی قرار گرفت. با نتایج جالب ازمایش در مقایسه با نیمه خودکار در بسیاری از آزمایشات به روش های مبتنی بر RECIST به وجود می آید .زیست شناسی سلولی و سلول درمانی:در زیست شناسی سلولی و سلول درمانی تعداد زیادی سلول و انواع روشهای غربالگری و تجزیه و تحلیل تصویر وجود دارد، در نتیجه استفاده از یادگیری ماشین برای برای شناسایی بهترین غربالگری تصویر و روش تجزیه و تحلیل / ترکیبات نوع سلول تا که بتوانیم بین رده های سلولی تفاوت قائل شویم. بدین ترتیب ، بسیاری از پیشرفت ها در این زمینه به وجود امده است.برای مثال ، در حال حاضر برخی از میکروسکوپ های تجاری خودکار یادگیری ماشین میتواند بیش از 100 هزار مورد تصاویر سلولی را تجزیه و تحلیل کند . فناوری تصویربرداری زیستی می تواند در انجام وظایف خاص تجزیه و تحلیل تصویر به طور موثر مفید باشد ، مانند تشخیص اشیا ، تجزیه و تحلیل حرکت ، و اندازه گیری ویژگی ریخت سنجی.یادگیری ماشینی به جای تنظیم دستی از تجربه و از پارامترها برای شناسایی سلول ها و اشیا استفاده می کند. نسبت به ابزارهای معمول پردازش ، وظایف پیچیده تجزیه و تحلیل داده های چند بعدی قدرتمندتر است.یک وظیفه مهم یادگیری ماشین در زیست شناسی سلول تعیین این که آیا اغتشاش تجربی (به عنوان مثال اصلاح ژنتیکی) منجر به فنوتیپ سلولی خاص (تشخیص توسط فلورسانس) است .یک روش یادگیری ماشین اخیراً با برچسب اکتین تصاویر میکروسکوپی فلورسانس از یک رده سلول اپیتلیال پستان یک انسان عادی و دو خط سرطان پستان انسان با سطوح مختلف پرخاشگری ارزیابی شده است . این مطالعه نشان داد که این تکنیک عملکرد بهتری در مورد کار طبقه بندی سلول در مقایسه با یک متخصص انسانی دارد .چنین فناوری ممکن است برای ایجاد و تقویت جدید روشهای تولید و کنترل کیفیت روشهای درمانی سلول مانند سلولهای گیرنده آنتی ژن کایمریک استفاده شود . رویکردی که دارد و به طور موثر ویژگی هایی از نظر بالینی فعالCAR-T به عنوان مثال وضعیت گلیکولیز ،( حافظه اولیه فنوتیپ و فرسودگی کم ) استفاده شده استاز یادگیری ماشین می توان برای درمان سلول های بنیادی نیز استفاده کرد ، رویکردی کهبه تازگی آزمایش شده است که تنوع بالای هویت سلول را که می تواند به طور طبیعی توسط تغییرات در پویایی نظارتی ایجاد شود. نشان می دهد .این تکنیک در درک زیست شناسی سلول های فردی و پویایی جمعی رده های سلولی ، جوامع و محیط ها قدرتمندتر است .قلب و عروق :کلیدهای اصلی تشخیصی که در دسترس متخصصان قلب است سیگنال های الکتریکی قلب ثبت ضربان قلب( نوار قلب) است .ابزار های یادگیری ماشین به طبقه بندی تجزیه و تحلیل سیگنال اولی و بعدی کمک کرده اند .متخصص قلب معمولاً با استفاده از استتوسکوپشان سمع قلب را انجام می دهد . یک استتوسکوپ دیجیتالی ، یک فونوکاردیوگرام ، همچنین می تواند این سیگنال ها را ضبط کند ، که میتواند پردازش شده با استفاده از تکنیک های یادگیری ماشین برای شناسایی صداهای غیر طبیعی باشد (یاسن و همکاران). یک سیستم یادگیری ماشین که طبقه بندی می کند و علائم قلبی با دقت 97% علامت گذاری و تشخیص می دهد. برای افزودن به موارد فوق ، سیگنال ضربان قلب سیگنال هایی است که متخصصان قلب و عروق روی کاغذ می خوانند در واقع می تواند به صورت مقادیر وارد کامپیوتر میشود ونمایانگر دامنه خط در هر مهر زمان است . این مقادیر می توانند به عنوان ورودی به الگوریتم / ساختار دهنده استفاده شود که می تواند سیگنال را ثبت و تحلیل کند و سپس آن را طبقه بندی کند.در اوایل سال جاری ، آلفاراس و همکاران ، یک مدل یادگیری ماشین ارائه داد که میتواند سیگنال های ضربان قلب را طبقه بندی کرده و بی نظمی ضربان را با یک تک سیگنال یا لید تشخیص دهد .زمانی که متخصصان قلب به طور معمول باید 12 لید سوابق ضربان قلب را بخوانند تا مجموعه شود . این مدل به یک حساسیت 92.7٪ و ارزش اخباری مثبت 86.1٪ برایضربات خارج رحمی بطنی ، با استفاده از سرب II و حساسیت 95 رسید . 7٪ و ارزش اخباری مثبت 75.1٪ هنگام استفاده از سرب V1 .چشم پزشکی :ناهنجاری در بینایی یا بیماری که چشم ظریف را تحت تأثیر قرار می دهد ، رشته چشم پزشکی سهم مناسبی از یادگیری ماشین را در برنامه های کاربری دریافت کرده است .چشم پزشکان در حال حاضر ماشین آلات سرعت و کارآمد ما به ناهنجاری های بینایی را شناسایی کنند. وقتی صحبت از بیماری های دیگر می شود ، شکایات مربوط به عوارض دیابت شیرین ، به طور عمده رتینوپاتی دیابتی چشم است .سایرس و همکاران نشان دادند ، نشان داده شده است که چگونه استفاده از الگوریتم یادگیری عمیق می تواند به متخصصان در درجه DR سریعتر و با دقت بیشتری کمک کند .علاوه بر این ، لی و همکاران ، اخیراً یک مدل CNN ارائه داده اند که با استفاده از رویکرد مبتنی بر توجه بهتر از روش های پیشرفته عمل می کند ، گلوکوم را تشخیص می دهد . خواه این یک ناهنجاری در بینایی باشد یا بر چشم تأثیرگذار باشد ،رشته چشم پزشکی ظریف سهم مناسبی از برنامه های کاربردی یادگیری ماشین را دریافت کرده است .چشم پزشکان از قبل برای شناسایی هر ناهنجاری های بینایی به سرعت و به طور موثر از ماشین آلات استفاده می کنند .وقتی صحبت از دیگر بیماری ها می شود، بسیاری از شکایات مربوط به عوارض ناشی از دیابت در چشم دیده می شود .سایرس و همکارانش نشان دادند که چگونه از یک الگوریتم یادگیری عمیق استفاده می شود . تا به متخصصان کمک کند نابینایی را دقیق تر و سریع تر شناسایی کنند .از طرف دیگر ، لی و همکاران ، اخیراً ارائه شده است که مدل شبکه عصبی کانولوشن می تواند با استفاده از رویکرد توجه محور به روشی بهتر از حالت روشهای پیشرفته گلوکوم را تشخیص دهد .نتیجه :از دیدگاه پزشکان در حال بررسی مرحله فعلی هوش مصنوعی و یادگیری ماشین در مراقبت های بهداشتی ، سوال اینجاست که آیا ما آماده هستیم به کمک این فن آوری را کاملاً در اختیار ما قرار هست حرفه را تکمیل کنیم ؟پاسخ این است که هنوز محدودیت های زیادی برای ترکیب کامل این سیستم ها در حوزه بهداشت و درمان وجود دارد.اینها شامل نیاز به رهنمودها و چارچوب های قانونی و اخلاقی است که با موارد حساس سر و کار دارند.آموزش چند سطحی که در ارائه به زمینه مناسب در مورد این فناوری پزشکان ضروری است . و سپس این سوال وجود دارد که چگونه می توان آن را با خیال راحت و دلسوزانه در عمل بالینی روزانه ادغام کنید. و زیرساخت مناسب برای موارد اجرای این سیستم ها چیست ؟ برای اضافه کردن به این ، بار مالی به همان اندازه حداقل موضوع در مرحله راه اندازی در نظر گرفته شود است . به دید مثبت ، چنین سیستم هایی به پزشکان کمک می کند تا در وقت و تلاش خود صرفه جویی کنند و به پزشکان در روند تصمیم گیری کمک خواهد کرد. تعداد بسیار زیادی از نمونه های آموزش داده شده با این سیستم ها ، داده شده ،مشاهدات آنها بیش از آن چیزی است که هر پزشکی به تنهایی شاهد در طول حرفه خود آن بوده است و می تواند سود زیادی داشته باشد . هوش مصنوعی به تنهایی یا به کمک یادگیری ماشین ، یک راه حل موثر برای افزایش کیفیت داروی شخصی و تسریع ریتم تکامل برای تشخیص و درمان پیچیده و تکنیک هایی مانند رشته ژنتیک ، مولکول کوچک ، و درمان های فوق هدف به نظر می رسد.به نظر ما ، تحول دیجیتال در خدمات پزشکی باید هر دو مبتنی بر تخصص بالینی - برای تضمین حداکثر برای غلبه بر اثربخشی - و بر روی راهنمایی دقیق IT ، محدودیت ها باشد.اعلامیه منافع رقابتی :نویسندگان هیچ تضادی در منافع برای این نسخه اعلام نکرده اند.تقدیر و تشکر :نویسندگان می خواهند از ویلیام استوو و راشل تیپتون برای تصحیح این نسخه خطی تشکر کنند.منابع:موجود در فایل PDFسید امیرحسین میرسلیمیسید امیرحسین میرسلیمیSat, 19 Dec 2020 16:28:58 +0330