علی گنجیزاده پزشک و مدیر مجوعه رویداد MedLean Review است که هدف آن معرفی فرصتهای جدید در حوزه سلامت است. درحال حاضر علی به عنوان نایب رئیس شرکت اوسن و مشاور سرمایهگذاران در حوزه سلامت فعالیت میکند
چگونه تحولات هوش مصنوعی سلامت را از طریق مقالات علمی بررسی کنیم؟
در حال حاضر هوش مصنوعی یکی از داغترین موضوعات حوزه پزشکی و تکنولوژی محسوب میشود. تقریبا روزانه مقالات و مطالعاتی درباره کاربردهای یادگیری ماشینی و یادگیری عمیق به چاپ میرسد. یا این حال، به سختی میتوان در بین مقالاتی که به چاپ میرسند، نکاتی را درباره هوش مصنوعی پیدا کرد که منجر به رشد و آینده بهتر شرکتهای حوزه هوش مصنوعی شود. به همین دلیل راهنمایی برای ارزیابی بهتر مقالات در این حوزه نوشتم.
چگونه یک مقاله پژوهشی هوش مصنوعی را بخوانیم؟
به عنوان قدم اول، مجله یا منبعی که مقاله در آن به چاپ رسیده است را ارزیابی کنید. درست است که مقالات علمی میتواند در هرجایی چاپ شود، اما واقعیت امر آن است که مقالاتی که مثلاً در مجله Nature Medicine چاپ میشوند بسیار متفاوت و کاربردیتر از سایر مقالات هستند.
دومین عامل مهم دادههای مقاله است. باید مقاله را بر اساس اینکه ساختار دادههای آن چگونه است ارزیابی کرد، به همین دلیل میتوان در بخش روشها یا Methods درباره اینکه دادهها چگونه، از کجا و چرا توسط پژوهشگران انتخاب شدند، خواند. هیچ الگوریتم هوش مصنوعی بدون دادههای خوب قابل تربیت شدن نیست. البته علاوه بر کیفیت داده، حجم و تعداد داده نیز بسیار مهم است؛ اگر dataset یک مقاله شامل حجم بیشتری از عکسها، متون یا سایر اشکال داده باشد، احتمالا به الگوریتم دقیقتری دست پیدا کردن است. هرچند به دست آوردن تعداد دادههای زیاد و کافی بسیار سخت است، بخصوص در حوزه سلامت به دلیل اینکه این دادهها با اطلاعات شخصی افراد در ارتباط است این دادهها بسیار سختتر بدست میآیند. درحالیکه دهههاست که بیمارستانها و سایر مراکز درمانی در حال جمعآوری دادههای سلامت هستند. در این بین، تعدادی از پژوهشگران از حقههایی برای افزایش داده استفاده میکنند، به طور مثال عکسهای رادیوگرافی که در اختیار دارند را آینهای میکنند. شما به عنوان فردی که به دنبال تحقیقات A.I. هستید، باید این نکات را درباره دادههای یک مطالعه علمی بدست آورید.
به عنوان سومین و آخرین قدم از این فرآیند، بررسی کنید که آیا مقاله با کمک یک مرکز بالینی نوشته است یا خیر. در صورتی که الگوریتم یا دادههای از قبل انتخاب شده یا آماده تربیت شده باشد به نظر الگوریتم خوبی است، اما اگر از دادههای بالینی واقعی استفاده شده باشد، بسیار موثقتر است. به طور مثال، استارتاپ Deep mind در چندین پروژه با سیستم ملی سلامت انگلستان یا NHS همکاری کرده است و از دادههای آنها استفاده کرده است. سازمان غذا و داروی آمریکا یا FDA نیز برای اعطای مجوز به الگوریتمهای هوش مصنوعی، استفاده از دادههای بالینی واقعی را بهتر قبول میکند.
مطلبی دیگر از این انتشارات
ترندهای غیرتکنولوژی استارتاپهای سلامت دیجیتال
مطلبی دیگر از این انتشارات
دورنمای استارتاپهای سلامت روان
مطلبی دیگر از این انتشارات
بیمههای سلامت چه تاثیری در آینده جامعه دارند؟