هوش مصنوعی برای تشخیص بیماری (بخش اول)

در این دوره ما به بررسی نحوه‌ی پیاده‌سازی مدل برای یادگیری تصاویر پزشکی (مانند MRI scan, X-ray) و تشخیص بیماری‌ها براساس تصاویر پزشکی می‌پردازیم که در این مسیر با چالش‌های data cleaning و image segmentation برخورد می‌کنیم. برای مثال تشخیص محل تومورها از روی تصویر ام ار ای مغز با استفاده از image segmentation.

در اینجا به بررسی سه مثال از به کارگیری هوش مصنوعی در تشخیص بیماری ها می‌پردازیم.

مثال اول در حیطه‌ی پوست است که عکس بخشی از پوست که رنگ و شکل آن تغییر کرده است را به سیستم می‌دهیم و سیستم تشخیص می‌دهد که آیا این شخص سرطان پوست دارد یا نه که این سیستم به وسیله‌ی ۱۲۹۰۰۰ تصویر از پوست با برچسب گذاری و توسط شبکه عصبی کانولوشنال آموزش داده می‌شود.

مثال دوم در حیطه‌ی چشم پزشکی است که مجموعه‌ای ۱۲۸۰۰۰ تایی از تصاویر پشت چشم اماده شده که توسط جمعی از متخصصان برچسب گذاری شده است که شامل افرادی است که مبتلا به دیابت هستند و به خاطر دیابت بینایی خود را از دست داده‌اند. چالشی که در این بخش با آن روبه‌رو هستیم این است که ۳۰ درصد تصاویر مربوط به بیماران واقعی ایست و ۷۰ درصد تصاویر مربوط افراد سالم است. به این مشکل class imbalance گفته می‌شود که در ادامه راهکارهای برای مقابله با این چالش مطرح می‌شود.

مثال سوم در مورد تصاویر میکروسکوپ از بافت بین سلول‌هاست. در سال ۲۰۱۷ تحقیقاتی انجام شد که در آن شبکه‌ی عصبی‌ای آموزش داده شد که گسترش یا عدم گسترش سلول‌های سرطانی را از روی تصاویر میکروسکوپیک تشخیص می‌داد. نکته‌ی قابل توجه در کار کردن با تصاویر میکروسکوپیک رزلوشن بسیار بالای این تصاویر است که ما مستقیم نمی‌توانیم آنها را به شبکه بدهیم در عوض آنها را به تکه‌های کوچکتر تقسیم کرده و سپس آنها را برای آموزش در اختیار شبکه قرار می‌دهیم.